[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

说明书

本发明公开了一种结合VMD和注意力机制的风电场短期风速预测方法，首先获取目标站点的风速时空数据，根据原始数据集建立系列SWSM，对SWSM进行VMD风速分解，将CNN模型与注意力机制结合，针对各子SWSM，应用底层的SENet模型提取风速的空域特征；再用顶层的GRU模型进行风速时域特征的提取，并得到各自的预测结果；累加各个预测结果获得最终预测风速；本发明充分利用风速的时空相关性，结合VMD和注意力机制，改善了原始风速的不平稳特性，并利用注意力机制优化CNN‑GRU模型，使模型更容易捕获序列中长距离相互依赖的特征，有效提高了风速预测的精度，保障电力系统的可靠运行。

技术领域

本发明涉及新能源发电技术领域与深度学习技术领域，尤其涉及一种结合VMD和注意力机制的风电场短期风速预测方法。

背景技术

目前，利用可再生能源作为未来能源短缺的解决方案的需求日益增长，许多传统的发电系统正在被可再生能源系统取代。风能作为世界上最具潜力、最实用、最丰富、最环保的可再生资源之一，在世界范围内得到了广泛的关注和利用。因此，风力发电技术需要进一步发展。

准确预测短期风速对于电力系统运行控制具有十分重要的意义，有助于合理调度风电并网，降低风电功率变化引起的电压和频率波动，提高电网运行的可靠性。目前，风速预测技术可分为三类:物理模型、统计模型和人工智能模型。物理模式以数值天气预报模式为代表，该模式利用实时气象条件进行预报，但由于建模过程需要大量计算，通常用于特定区域的长期风速预报。不适合短期和超短期风速预测。统计方法通过学习规律，建立历史风速数据之间的非线性映射关系，实现时间序列预测。人工智能模型的基础是机器学习技术。它基于大量风速时数据，描述了系统输入与输出之间复杂的非线性关系。随着深度学习技术的快速发展，深度学习技术也迅速应用于短期风速预测，这些方法将现有的风速预测技术与混合神经网络模型相结合，并取得了良好的预测效果。

因为风力发电具有间歇性、波动性和不确定性等特点。在实际应用中，通常会结合一定的处理方法来获得相对稳定的子序列。通过对收敛条件的合理控制。此外，当输入时间序列较长时，LSTM、GRU等网络容易丢失序列信息，难以对数据之间的结构信息进行建模，这也影响了风速预测的准确性。

发明内容

本发明公开一种结合VMD和注意力机制的风电场短期风速预测方法，旨在解决背景技术中提出的当输入时间序列较长时，LSTM、GRU等网络容易丢失序列信息，难以对数据之间的结构信息进行建模，这也影响了风速预测的准确性的技术问题。

为了实现上述目的，本发明采用了如下技术方案：

一种结合VMD和注意力机制的风电场短期风速预测方法，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。

在一个优选的方案中，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。