买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:广西大学
摘要:本发明提出一种多分数阶双通道注意力卷积网络的风电预测方法,该方法的步骤有:首先将采集到的27维的原始风电数据利用多分数阶积分处理,再利用模糊熵辅助奇异谱分解,将模糊熵最大的3个奇异谱分量进行软阈值收缩并重构,再将处理好的数据转化成图片采样样本分别输入到多轴视觉变换器网络和双密度循环全连接卷积网络进行训练,将两个网络的结果进行特征融合并利用全连接层输出得到该区域风电预测结果。所述方法能够从空间隐藏特征和时间前后依赖关系两种角度对输入特征进行深层特征提取,优化风电预测过程中因风能不确定性带来的预测误差,提高风电预测的精确度。
主权项:1.一种多分数阶双通道注意力卷积网络的风电预测方法,其特征在于,利用多分数阶积分和奇异谱分解处理风力原始数据,输入多轴视觉变换器网络和双密度循环全连接卷积网络,最后将两个并行网络的输出结果特征融合进行风电预测,提高风电预测的准确率;在使用过程中的步骤为:步骤1:连续采集378天每天采样24次的9072组风电场原始数据,每组数据有27个维度,即标准温度、标准露点温度、测量温度、最高温度、最高露点温度、测量全球水平辐照度、最低温度、最低露点温度、最大风速、测量降水、预测温度、标准气压、短波辐射能、测量湿度、标准湿度、最大气压、短波辐射区域、测量气压、最大湿度、最小气压、预测短波辐射能、测量风向、最小湿度、降水量、预测风向、预测风速和真实风速,共计244944个数据,第k个维度的风电采样序列Ak为:Ak=[a1,ka2,k…ai,k]1其中,k为风电数据维度的索引序号,a1,k、a2,k和ai,k分别为第k个维度的风电序列的第1个采样值、第2个采样值和第i个采样值,1、2和i均为采样次数;步骤2:使用多分数阶积分方法处理27个维度的风电数据样本,所述多分数阶积分处理方法的内容为:对采样样本中的每一个的风电序列进行λ1、λ2、…、λh阶积分处理,其中,λ1、λ2、…、λh均为分数阶的阶次,h为进行分数阶计算样本点的总个数,得到多分数阶积分处理后的多分数阶积分特征样本θi: 其中,w1、w2和w27分别为多分数阶积分后第1个维度、第2个维度和第27个维度的特征向量,ψ为分数阶离散积分运算函数,ψA1,λ1、ψA1,λ2和ψA1,λh分别为第1个维度的风电采样序列的λ1、λ2和λh阶积分,ψA2,λ1、ψA2,λ2和ψA2,λh分别为第2个维度的风电采样序列的λ1、λ2和λh阶积分,ψA27,λ1、ψA27,λ2和ψA27,λh分别为第27个维度的风电采样序列的λ1、λ2和λh阶积分;在多分数阶积分特征样本中,各元素运用的分数阶离散积分运算得到的特征样本ΨAk,λh为: 其中,τ为采样间隔,Γ为伽马函数,Γ2-λh表示自变量为2-λh的伽马函数值,和均为对应采样点的λh阶系数,ai,k、az,k和a1,k均为第k维风电数据序列的采样点,z为采样次数的索引序号,∑为求和符号;所述伽马函数Γs为: 其中,e是自然常数,xgamma,input为伽马函数的输入,∫表示对连续函数求积分;所述采样点λh阶系数为: 其中,l为采样点索引序号;步骤3:将步骤2中利用分数阶处理后的27维风电序列样本θi进行奇异谱分解,得到风电序列的奇异谱分量X为: 其中,X1,1、X2,1和Xr,1分别是信号分解后输出的第1个维度的第1个奇异谱分量、第2个奇异谱分量和第r个奇异谱分量,X1,2、X2,2和Xr,2分别是信号分解后输出的第2个维度的第1个奇异谱分量、第2个奇异谱分量和第r个奇异谱分量,X1,27、X2,27和Xr,27分别是信号分解后输出的第27个维度的第1个奇异谱分量、第2个奇异谱分量和第r个奇异谱分量,r是多分数阶积分特征样本θi非奇异值的数量,σz,1、σz,2和σz,27分别为多分数阶积分后第1个维度、第2个维度和第27个维度的风电序列特征向量w1、w2和w27的奇异值,uz,1、uz,2和uz,27分别为多分数阶积分后第1个维度、第2个维度和第27个维度的风电序列特征向量w1、w2和w27的左奇异向量,vz,1、vz,2和vz,27分别为多分数阶积分后第1个维度、第2个维度和第27个维度的风电序列特征向量w1、w2和w27的右奇异向量,T表示向量的转置;步骤4:计算每个信号的奇异谱分量的模糊熵,去除含有自然周期脉冲的奇异谱分量,在剩余分量中选取模糊熵值最大的3个奇异谱分量;对模糊熵值最大的3个奇异谱分量中的每一个元素进行软阈值收缩降低噪声信号的影响,即: 其中,xp,j是第p个奇异谱分量中的第j个元素,是软阈值收缩后的第p个奇异谱分量中的第j个元素,p是奇异谱分量的索引号,j是奇异谱分量中元素的索引号,ε为信号处理的阈值,σSVD是噪声标准差,N是信号长度;步骤5:将软阈值收缩后的奇异谱分量进行信号重构,输出3个奇异谱分量,即奇异谱分量X1、X2和X3;步骤6:将奇异谱分量X1、X2和X3转化为采样图片样本,单个采样图片的大小为27×9072×3,然后对图片进行缩放调整采样图片大小为299×299×3以匹配网络模型的输入大小,接着将调整大小后的299×299×3的采样图片样本分别输入到多轴视觉变换器网络和双密度循环全连接卷积网络中进行风电预测;步骤7:将尺寸为299×299×3的采样图片输入多轴视觉变换器网络;接入两个步长为2的3×3卷积层,再接入四个多轴视觉变换器分块,再接入一个池化层和一个全连接层,最后输出多轴视觉变换器网络的输出结果;信号经过所述的多轴视觉变换器分块的方法描述为:输入信号形成两个分支,第一个分支信号依次经过一个1×1的卷积层、一个3×3的深度卷积层、引入挤压和激励机制再经过一个1×1的卷积层,第二个分支信号不经任何处理,随后将两个分支的信号进行线性相加;然后将信号分为两个分支,第一个分支引入分块-自我注意力机制,第二个分支不经过任何处理,随后将两个分支的信号进行线性相加;然后将信号分为两个分支,第一个分支输入前馈网络,第二个分支不经过任何处理,随后将两个分支的信号进行线性相加;然后将信号分为两个分支,第一个分支引入网格-自我注意力机制,第二个分支不经过任何处理,随后将两个分支的信号进行线性相加;然后将信号分为两个分支,第一个分支输入前馈网络,第二个分支不经过任何处理,随后将两个分支的信号进行线性相加,输出多轴视觉变换器分块的信号;步骤8:将尺寸为299×299×3的采样图片输入双密度循环全连接卷积网络,图片分为两个分支,第一个分支信号经过DenseNet160网络,第二个分支信号经过DenseNet201网络,两个分支的输出结果合并经过门控循环单元,再接全连接卷积层,得到双密度循环全连接卷积网络的输出结果;DenseNet160网络结构为:输入图片信号,接6个瓶颈模块,接传递层,接48个瓶颈模块,接传递层,接32个瓶颈模块,接传递层,输出结果;所述瓶颈模块的结构为:首先是BN-ReLu变换,随后经过一个步长为1通道数为4q的1×1卷积层降低密集连接的特征通道数,q为输出特征图个数,输出后再进行一次BN-ReLu变换,然后通过一个步长为1通道数为q的3×3卷积层,再接深度连接层,最终还原输出q个特征图;所述传递层的结构为:输入信号,接一个1×1卷积层,再接一个平均池化层,输出结果;DenseNet201网络结构为:输入图片信号,接6个瓶颈模块,接传递层,接12个瓶颈模块,接传递层,接48个瓶颈模块,接传递层,接32个瓶颈模块,接传递层,输出结果;门控循环单元的结构为:信号输入后分为三个分支,第一个分支为输入信号与更新门输入权重矩阵相乘,隐藏层输出信号与更新门递归权重矩阵相乘,将两者输出结果和更新门的偏置量相加,最后利用sigmoid函数将数据变换为0,1范围内的数值,输出更新门门控信号zt为:zt=sigmoidxtWupdate+ht-1Rupdate+bupdate8其中,Wupdate表示更新门的输入权重矩阵,Rupdate表示更新门的递归权重矩阵,bupdate表示更新门的偏置量,xt是当前时刻输入信号,ht-1是上一时刻隐藏层输出信号;所述sigmoid函数为: 其中,xsigmoid,input为sigmoid函数的输入信号;第二个分支为输入信号与重置门输入权重矩阵相乘,隐藏层输出信号与重置门递归权重矩阵相乘,将两者输出结果和重置门的偏置量相加,最后利用sigmoid将数据变换为0,1内的数值,输出重置门门控信号rt为:rt=sigmoidxtWreset+ht-1Rreset+breset10其中,Wreset表示更新门的输入权重矩阵,Rreset表示更新门的递归权重矩阵,breset表示更新门的偏置量;第三个分支为输入信号与候选隐藏层输入权重矩阵相乘,重置门门控信号与上一时刻隐藏层输出信号按元素相乘,将两者输出结果和候选隐藏层的偏置矩阵相加,通过一个tanh激活函数来将数据放缩到-1,1内,最后得到重置门输出候选隐藏层状态为: 其中,Whidden表示候选隐藏层的输入权重矩阵,Rhidden表示候选隐藏层的递归权重矩阵,bhidden表示候选隐藏层的偏置矩阵,⊙表示按元素相乘;所述tanh激活函数为: 其中,xtanh,input为tanh激活函数的输入信号;将三个分支合并,最终门控循环单元的输出yt为: 其中,ht代表t时刻的隐藏层状态,代表候选隐藏层状态,zt为更新门的门控信号;全连接卷积层的结构为:信号输入一个特征输入层,接门控循环单元处理序列的长期依赖关系,接三个全连接层,全连接层的每一个节点都与前层的节点全部互连,最后回归输出;全连接层对前层输出的特征进行加权求和输出yw,dx为:yw,dx=Wfcxd+bd14其中,Wfc是全连接层中的权重系数,xd是第d个神经元的值,bd是全连接层的偏置量,d为神经元编号;步骤9:将多轴视觉变换器网络和双密度递归全连接卷积网络的输出结果经过特征级融合,然后接含512个隐藏单元的密集层、批量归一化层,利用随机失活选择性使一部分神经元失活,最后接全连接层,输出最终风电预测结果。
全文数据:
权利要求:
百度查询: 广西大学 一种多分数阶双通道注意力卷积网络的风电预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。