一种基于小波-SG降噪的风电功率预测方法及相关设备与流程
本发明属于风电功率预测,具体涉及了一种基于小波-sg降噪的风电功率预测方法及相关设备。
背景技术:
1、当前主流风电功率预测方法可分为物理方法与数据驱动人工智能方法两类。物理方法以数值天气预报为核心,高度依赖地理与气象的精细化建模,不仅泛化能力受限,且计算成本高昂,难以适配复杂地形下的场站级预测需求。近年来,以深度学习为代表的数据驱动方法成为研究主流,其中长短时记忆网络(lstm)凭借对时间序列长程依赖性的出色建模能力,在风电预测领域得到广泛应用。但风电场长期运行于恶劣户外环境,采集的功率数据往往掺杂大量宽频随机噪声与局部突变干扰,单一深度学习模型难以直接从含噪数据中提取有效的物理演变规律,直接导致预测精度出现明显下滑。
2、为破解这一难题,行业普遍引入信号预处理技术辅助建模,当前主流方案包括经验模态分解(emd)、变分模态分解(vmd)与小波变换(wt)三类。其中emd易出现模态混叠问题,无法稳定分离不同尺度的功率波动特征;vmd虽有效克服了模态混叠缺陷,但分解效果高度依赖预设模态数k与惩罚因子α的人工整定,且多子序列并行预测的模式会使计算复杂度呈指数级上升,难以满足超短期预测的实时性要求;小波变换作为经典时频分析工具,在去噪场景表现优异,但单纯采用软/硬阈值去噪时,极易在风速骤变引发的功率阶跃等局部突变点处产生“振铃效应”与伪影,造成核心物理特征的畸变与丢失。
3、综上,现有单一降噪或信号分解方案,始终无法在“充分滤除高频噪声”与“完整保留局部物理特征”之间取得理想平衡,同时复杂分解方法的计算开销过高,难以兼顾预测精度与实时性要求,亟需构建一种兼顾高效噪声平滑、无局部失真、适配深度学习特征挖掘的新型风电功率预测框架。
技术实现思路
1、本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于小波-sg降噪的风电功率预测方法及相关设备,用于解决现有技术中单一去噪方法容易造成信号特征丢失,以及传统单一网络对复杂非平稳风电序列预测精度不足、存在滞后性的技术问题。
2、本发明的目的是由以下技术方案实现的:
3、第一方面,本发明提供了一种基于小波-sg降噪的风电功率预测方法,包括:
4、获取风电场历史风电功率序列数据;
5、对所述风电功率序列数据进行小波分解,并基于自适应阈值对分解后的细节系数进行处理与小波重构,得到初步去噪序列;
6、利用多项式平滑滤波器对所述初步去噪序列进行局部最小二乘拟合平滑处理,得到混合降噪序列;
7、利用滑动窗口将所述混合降噪序列重构为特征样本,并对所述特征样本进行归一化处理,得到归一化特征样本;
8、将所述归一化特征样本输入至预先训练的深度时空注意力网络中进行特征提取与预测,得到归一化预测值;
9、根据归一化参数对所述归一化预测值进行反归一化处理,得到最终的风电功率预测值。
10、作为本发明的进一步改进,在所述对所述风电功率序列数据进行小波分解之前,还包括对所述风电功率序列数据进行异常值检测与修正的步骤,具体为:
11、计算所述风电功率序列数据的第一四分位数与第三四分位数,并求得四分位距;
12、根据所述第一四分位数、第三四分位数以及四分位距,设定异常值检测的上下边界;
13、判断所述风电功率序列数据中的当前数据点是否超出所述上下边界,若超出则判定为异常值,并采用一维中值滤波器选取所述异常值相邻的前后数据点进行替换修正。
14、作为本发明的进一步改进,所述对所述风电功率序列数据进行小波分解,并基于自适应阈值对分解后的细节系数进行处理与小波重构,得到初步去噪序列,包括:
15、采用离散小波变换对所述风电功率序列数据进行多层分解,得到近似系数和各层细节系数;
16、基于第一层细节系数,采用中值绝对偏差法估计噪声标准差;
17、根据所述噪声标准差以及序列长度,计算得到所述自适应阈值;
18、采用软阈值函数,利用所述自适应阈值对所述各层细节系数进行处理;
19、对处理后的细节系数和所述近似系数进行离散小波逆变换,重构得到所述初步去噪序列。
20、作为本发明的进一步改进,所述利用多项式平滑滤波器对所述初步去噪序列进行局部最小二乘拟合平滑处理,得到混合降噪序列,包括:
21、采用savitzky-golay滤波器作为所述多项式平滑滤波器;
22、在以当前目标数据点为中心的滑动窗口内,采用预设阶数的多项式对所述初步去噪序列进行拟合计算;
23、以极小化拟合误差平方和为目标函数求解最小二乘解,将求解过程等效为离散卷积运算,利用滤波卷积系数对所述初步去噪序列进行滤波平滑,得到所述混合降噪序列。
24、作为本发明的进一步改进,所述利用滑动窗口将所述混合降噪序列重构为特征样本,并对所述特征样本进行归一化处理,得到归一化特征样本,包括:
25、设置历史观察时间步长作为滑动窗口的长度,将一维的所述混合降噪序列转换为多维的输入矩阵以及目标预测向量,以构建所述特征样本;
26、获取所述输入矩阵中的最大值与最小值,作为所述归一化参数;
27、采用最大最小值归一化方法,利用所述归一化参数对所述输入矩阵进行线性映射,得到所述归一化特征样本。
28、作为本发明的进一步改进,所述深度时空注意力网络包括依次连接的局部特征提取模块、双向时序特征提取模块以及自注意力模块;
29、所述将所述归一化特征样本输入至预先训练的深度时空注意力网络中进行特征提取与预测,得到归一化预测值,具体的数据处理过程为:
30、所述局部特征提取模块包含一维卷积神经网络,用于对输入的所述归一化特征样本进行局部特征映射,提取局部功率突变特征;
31、所述双向时序特征提取模块包含双向长短期记忆网络,用于接收所述局部功率突变特征,分别计算正向隐藏状态与反向隐藏状态并进行拼接,输出包含长程演化依赖关系的时序特征;
32、所述自注意力模块用于接收所述时序特征,分别计算查询向量、键向量和值向量,通过计算自注意力权重对所述时序特征中的关键时间步进行动态加权,输出注意力特征矩阵;
33、所述注意力特征矩阵依次经过全局平均池化层和全连接层进行降维与映射,输出所述归一化预测值。
34、作为本发明的进一步改进,所述深度时空注意力网络通过以下模型训练步骤预先训练得到:
35、获取历史风电功率训练集数据,对所述历史风电功率训练集数据进行去噪、平滑以及归一化处理,构建模型训练样本集;
36、将所述模型训练样本集输入至深度时空注意力网络中进行前向传播,输出网络预测结果;
37、以均方误差为基础构建训练损失函数,并在所述训练损失函数中加入l2正则化惩罚项;
38、采用adam优化器,基于所述训练损失函数通过反向传播算法更新网络节点的权重参数,直至达到预设的早停机制条件或最大迭代次数,得到训练完成的所述深度时空注意力网络。
39、作为本发明的进一步改进,所述根据归一化参数对所述归一化预测值进行反归一化处理,得到最终的风电功率预测值,包括:
40、
41、其中,为实际风电功率预测值,为归一化预测值,为最大值,为最小值。
42、第二方面,本发明提供了一种基于小波-sg降噪的风电功率预测系统,包括:
43、数据获取模块,用于获取风电场历史风电功率序列数据;
44、小波去噪模块,用于对所述风电功率序列数据进行小波分解,并基于自适应阈值对分解后的细节系数进行处理与小波重构,得到初步去噪序列;
45、多项式平滑模块,用于利用多项式平滑滤波器对所述初步去噪序列进行局部最小二乘拟合平滑处理,得到混合降噪序列;
46、特征构建模块,用于利用滑动窗口将所述混合降噪序列重构为特征样本,并对所述特征样本进行归一化处理,得到归一化特征样本;
47、网络预测模块,用于将所述归一化特征样本输入至预先训练的深度时空注意力网络中进行特征提取与预测,得到归一化预测值;
48、反归一化模块,用于根据归一化参数对所述归一化预测值进行反归一化处理,得到最终的风电功率预测值。
49、第三方面,本发明提供了一种计算机设备,包括:处理器和计算机可读存储介质;
50、处理器,适于执行计算机程序;
51、计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被所述处理器执行时,实现如上述的基于小波-sg降噪的风电功率预测方法。
52、第四方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序适于被处理器加载并执行如上述的基于小波-sg降噪的风电功率预测方法。
53、本发明的有益效果在于:本发明提供了一种基于小波-sg降噪的风电功率预测方法,通过对风电功率序列数据进行小波分解并基于自适应阈值对细节系数进行处理与小波重构,自适应阈值根据各层细节系数的噪声水平动态调整,使高频噪声抑制强度随信号局部特征变化,克服了现有技术中固定阈值去噪导致有效突变信息被过度平滑或噪声残留过多的缺陷;通过利用多项式平滑滤波器对初步去噪序列进行局部最小二乘拟合平滑处理得到混合降噪序列,在小波去噪基础上对残余毛刺进行局部多项式拟合平滑,克服了现有技术中小波重构可能引入伪吉布斯振荡、降噪后序列光滑度不足的缺陷;通过利用滑动窗口将混合降噪序列重构为特征样本并进行归一化处理,将一维时间序列转化为二维样本矩阵并统一量纲,克服了现有技术中直接以原始序列输入导致网络输入维度不固定、数值分布发散、模型收敛困难的缺陷;通过将归一化特征样本输入至预先训练的深度时空注意力网络中进行特征提取与预测,该网络通过注意力机制动态分配不同时刻与不同空间位置的特征权重,使模型聚焦于对当前预测贡献度高的历史时段,克服了现有技术中传统循环神经网络对所有历史时段均等处理、无关时段干扰预测精度的缺陷;通过根据归一化参数对归一化预测值进行反归一化处理得到最终的风电功率预测值,将网络输出的无量纲数值还原至原始功率量纲,克服了现有技术中预测输出无量纲化导致结果不可直接用于调度决策的缺陷。本发明的时空注意力网络在降噪后的纯净序列上捕获长程依赖,反归一化保证输出可用,各层级协同使预测模型在噪声抑制与特征保留之间取得平衡,最终提升风电功率预测的稳定性和准确性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com