[发明专利]一种结合VMD和注意力机制的风电场短期风速预测方法

权利要求书

1.一种结合VMD和注意力机制的风电场短期风速预测方法，其特征在于，具体包括以下步骤：

步骤1：建立时间与空间两个维度的风速数据集；

步骤2：根据原始数据建立一系列SWSM，这些SWSM中包含风速数据集的时域空域特征；

步骤3：使用VMD对每一个时间序列上的SWSM进行风速分解，分解得到由各个IMF组成的子SWSM；

步骤4：将CNN模型与注意力机制结合，得到SENet模型；

步骤5：针对各子SWSM，应用步骤4得到SENet模型，提取风速的空域特征；

步骤6：应用GRU模型对步骤5得到的空域特征进行处理，提取时域特征并得到风速的各预测分量；

步骤7：通过基于注意力机制的注意力层对输入的特征赋予不同的权重；

步骤8：合并各个预测结果并获得最终预测风速。

2.根据权利要求1所述的一种结合VMD和注意力机制的风电场短期风速预测方法，其特征在于，在所述步骤1中，建立风速数据集包含了时间与空间两个维度，对于原始风速数据集，将预测时间及位置的风速设置为标签风速，然后将数据集和标签风速在时间序列按比例划分为训练集、验证集和测试集。

3.根据权利要求1所述的一种结合VMD和注意力机制的风电场短期风速预测方法，其特征在于，在所述步骤2中，SWSM的建立包括以下流程：

假设研究对象是空间区域上的M行和N列组成的阵列，该阵列可以由M×N网格表示，在此阵列中，每个站点的位置可以由一个二维矩形坐标(i，j)(1≤i≤M，1≤j≤N)索引，对于每个站点，风速为一维时间系列，时间为t时，站点(M,N)的空间风速矩阵SWSM可以定义为x(i，j)t∈R^M×N：

通过上述方法将风速序列转化为SWSM。

4.根据权利要求1所述的一种结合VMD和注意力机制的风电场短期风速预测方法，其特征在于，在步骤3中，VMD分解的主要步骤如下所示：

S21：首先构造变分问题，保证分解序列为具有中心频率的有限带宽的模态分量，同时使各模态的估计带宽之和最小，预处理之后的风速数据为相应约束变分表达式为

式中，K为需要分解的模式个数，正整数，{u_k}、{ω_k}分别对应分解后第k个模态分量和中心频率，δ(t)为狄拉克函数，*为卷积运算；

S22：为求解S21，引入拉格朗日乘子λ，将约束问题转化为无约束问题，得到增广拉格朗日表达式：

式中，α是惩罚因子，用于降低高斯噪声的影响；

S23：最后采用交替方向乘子ADMM迭代算法求解无约束变分问题，优化得到各模态分量和中心频率，搜寻增广拉格朗日函数的鞍点，迭代更新参数{u_k}，{ω_k}和λ；其公式如下：

式中和分别表示f(ω)、u_i(ω)、λ(ω)和的傅立叶变换；n是迭代次数；γ为噪声容忍度，用于满足信号分解的保真度要求；

S24：最后，对于给定的判断精度e0，当满足时，则停止迭代，否则返回步骤S3。；最后，可以得到k个分解而成的IMF分量；使用VMD方法分解SWSM，得到各个IMF组成的子SWSM，当时间为t时，站点(M,N)的分量IMF_k组成的子SWSM可以定义为