面向在线风电功率预测的特征构造方法
本技术涉及信号处理领域,尤其涉及一种面向在线风电功率预测的特征构造方法。
背景技术:
1、风电功率具有较强的随机性、波动性和非平稳性,其变化过程受风速、风向、气象条件以及风电机组运行状态等因素影响。在风电功率预测中,若直接将原始功率序列输入预测模型,模型往往难以有效提取不同时间尺度下的趋势变化、波动变化和高频扰动特征。因此,工程应用和研究中通常会在预测模型前端设置特征构造环节,用于提高输入数据的可表达性。
2、一些可行的实施方式中,较常见的做法是利用变分模态分解(variational modedecomposition,简称vmd)对风电功率序列或滑动窗口样本进行分解,将原始功率序列分解为若干本征模态分量(intrinsic mode function,简称imf),再将这些imf分量作为多尺度特征输入后续预测模型。该方式能够在一定程度上降低原始风电功率序列的非平稳性,使预测模型获得不同频率尺度下的功率变化信息。在具体应用中,现有方法通常会先确定vmd分解所需的模态数和惩罚因子,再对训练样本或预测窗口进行分解。部分方法为减少计算量,会在整个预测过程中采用固定vmd参数;部分方法为提高适应性,会对不同滑动窗口分别进行参数调整;也有方法直接将不同窗口分解得到的多个本征模态分量按原始序号输入预测模型。
3、但是,现有基于变分模态分解的特征构造方法中,对历史输入窗口与未来预测目标之间的时间边界限定不够明确,部分构造过程可能将预测目标时刻之后的数据纳入分解,难以满足在线预测条件。固定参数方式难以适应风电功率运行状态变化;逐窗口参数寻优方式在线计算量较大。相邻窗口之间参数连续性考虑不足,容易造成模态分量数量、中心频率和能量分布跳变。此外,直接按照分解序号组织特征,不同窗口中相同序号分量对应的频率尺度可能不同,导致特征通道含义不一致。
4、综上,目前基于变分模态分解的在线风电功率预测方法,在数据有效性和计算量方面存在局限性,需要一种面向在线风电功率预测的特征构造方法,以实现连续、稳定、固定维度的vmd特征构造,提升数据有效性并降低计算量。
技术实现思路
1、本技术的目的旨在至少能解决上述的技术缺陷之一,特别是现有技术中目前基于变分模态分解的在线风电功率预测方法,因特征构造有效性不足,导致在数据有效性和计算量方面存在局限性的技术缺陷。
2、第一方面,本技术提供一种面向在线风电功率预测的特征构造方法,所述方法包括:
3、获取目标风电场的风电功率历史序列;
4、根据窗口参数,基于所述风电功率历史序列构造对应于预测时刻的滑动历史窗口;
5、其中,所述滑动历史窗口用于输出对应于所述预测时刻的历史功率向量,所述历史功率向量包括所述风电功率历史序列中对应于所述预测时刻及所述预测时刻之前的多个数据点;
6、对当前时刻的所述滑动历史窗口,基于上一时刻的所述滑动历史窗口的最终参数状态,进行对应于所述预测时刻的变分模态分解,获得多个目标模态分量;
7、将各所述目标模态分量根据对应的中心频率映射至固定输出通道,生成固定维度的多尺度特征。
8、作为一种可选的实施方式,所述窗口参数包括历史窗口长度、预测步长和滑动步长;
9、所述获取目标风电场的风电功率历史序列,包括:
10、获取目标风电场的原始风电功率数据;
11、将所述原始风电功率数据按预设采样间隔进行时间对齐和重采样,调整各采样点对应的采样时刻,获得重采样风电功率数据;
12、对所述重采样风电功率数据进行有效性检查,剔除异常数据,并对缺失数据通过插值或前值填充进行补齐,形成风电功率历史序列;
13、以及,确定所述窗口参数。
14、作为一种可选的实施方式,所述根据窗口参数,基于所述风电功率历史序列构造对应于预测时刻的滑动历史窗口,包括:
15、根据所述滑动步长,确定多个预测时刻对应的预测锚点;
16、根据所述历史窗口长度,取所述预测锚点及其之前连续多个历史采样点构成所述滑动历史窗口;
17、其中,所述滑动历史窗口对应的预测目标为对应于所述预测锚点之后的目标采样点的功率值;
18、按照滑动步长沿时间轴移动所述预测锚点,得到下一所述滑动历史窗口;
19、其中,相邻的所述滑动历史窗口共享基于所述历史窗口长度和所述滑动步长的多个采样点;
20、以及,所述方法还包括:
21、输出对应于各所述滑动历史窗口的窗口索引信息;
22、其中,所述窗口索引信息用于指示各所述滑动历史窗口的属性信息以及顺序关系,包括当前窗口编号、窗口起始时刻、窗口结束时刻、预测目标时刻、预测步长、滑动步长、窗口质量标记以及上一滑动窗口编号;
23、将所述窗口索引信息与所述滑动历史窗口对应的所述历史功率向量关联存储。
24、作为一种可选的实施方式,所述方法还包括:
25、将对应于各所述滑动历史窗口的各所述历史功率向量基于各所述滑动历史窗口的顺序进行排列,形成二维窗口矩阵;
26、根据所述二维窗口矩阵,选取前预设数量个所述滑动历史窗口作为初始参数校准样本组;
27、构造模态数候选集和惩罚因子候选集,得到多个窗口参数候选组合;
28、其中,所述模态数候选集为预设的离散整数集合,所述惩罚因子候选集根据线性间隔或对数间隔进行设置;
29、对所述初始参数校准样本组中的每个所述滑动历史窗口,分别在各所述窗口参数候选组合下执行变分模态分解,获得候选模态分量和对应的中心频率;
30、依据重构精度、模态相关性、频率分离度和模态冗余程度中的至少两种指标计算对应于所述窗口参数候选组合的综合评分;
31、当采用单个所述滑动历史窗口时,直接将对应的所述综合评分作为最终评分,当采用多个所述滑动历史窗口时,对各所述滑动历史窗口基于对应的所述综合评分进行平均或取中位数后,作为所述最终评分;
32、选取所述最终评分最优的所述窗口参数候选组合作为初始窗口参数,并基于所述初始窗口参数,对目标滑动窗口执行初始变分模态分解,获得多个初始分量通道,确定各所述初始分量通道的通道顺序、中心频率和能量占比;
33、其中,所述目标滑动窗口包括所述初始参数校准样本组中依时间顺序的第一个滑动历史窗口;
34、将所述初始窗口参数、所述最终评分、对应于所述目标滑动窗口的窗口编号、所述通道顺序、所述中心频率和所述能量占比作为对应于所述预测时刻的初始参数状态。
35、作为一种可选的实施方式,所述对当前时刻的所述滑动历史窗口,基于上一时刻的所述滑动历史窗口的最终参数状态,进行对应于所述预测时刻的变分模态分解,获得多个目标模态分量之后,所述方法还包括:
36、计算对应于所述当前时刻的初始分解质量评估值;
37、其中,所述初始分解质量评估值根据多个预设维度加权计算获得,所述预设维度包括各所述目标模态分量对应的所述重构精度、所述模态相关性、所述频率分离度、所述模态冗余程度以及当前时刻的所述滑动历史窗口和上一时刻的所述滑动历史窗口之间的中心频率漂移和能量占比漂移;
38、当所述初始分解质量评估值不满足所述预设质量阈值,或任一所述预设维度的取值情况超过预设维度异常阈值时,则对当前所述滑动历史窗口进行局部参数更新;
39、当所述初始分解质量评估值满足所述预设质量阈值,且所有所述预设维度的取值情况均未超过预设维度异常阈值时,保留继承于上一时刻的所述滑动历史窗口的所述最终参数状态。
40、作为一种可选的实施方式,所述对当前所述滑动历史窗口进行局部参数更新,包括:
41、基于上一时刻的所述滑动历史窗口的所述最终参数状态的邻域内,构造局部参数候选集;
42、从所述局部参数候选集中选取使当前所述滑动历史窗口分解质量最优的局部参数组合作为当前窗口的更新后参数状态;
43、基于所述更新后参数状态,对当前所述滑动历史窗口继承得到的初始分解参数进行局部参数更新,获得更新参数状态,对当前所述滑动历史窗口基于所述更新参数状态重新执行变分模态分解,获得重新执行变分模态分解后的最终模态分量,并确定所述通道顺序、所述中心频率和所述能量占比;
44、将所述更新参数状态、对应于所述更新参数状态的所述最终评分、对应于当前所述滑动历史窗口的窗口编号、所述通道顺序、所述中心频率和所述能量占比作为对应于当前所述滑动历史窗口的所述最终参数状态。
45、作为一种可选的实施方式,所述将各所述目标模态分量根据对应的中心频率映射至固定输出通道,生成固定维度的多尺度特征,包括:
46、确定固定输出通道及对应的频率锚点;
47、对当前所述滑动历史窗口分解得到的各所述最终模态分量,根据其中心频率与各所述固定输出通道对应的频率锚点之间的最近邻关系或频率区间归属关系,映射至各所述固定输出通道;
48、若多个所述最终模态分量映射至同一所述固定输出通道,则将各所述最终模态分量根据能量权重加权合并,并将对应所述固定输出通道的有效性标记置为第一取值;
49、若任一所述固定输出通道无对应的所述最终模态分量映射,则对相应的所述固定输出通道进行补零,并将对应所述固定输出通道的有效性标记置为第二取值;
50、基于各所述固定输出通道,确定对应于当前所述滑动历史窗口的固定维度的多尺度特征,并组合形成对应于当前所述滑动历史窗口的特征矩阵;
51、以及,针对各所述滑动历史窗口,根据中心频率漂移情况,当当前滑动历史窗口与上一滑动历史窗口对应最终模态分量的中心频率之间的差异超过预设漂移阈值,和/或,当当前滑动历史窗口与上一滑动历史窗口对应最终模态分量的模态变化量超过预设模态变化阈值时,确定当前滑动历史窗口为突变窗口,并将各所述滑动历史窗口中,各所述固定输出通道的有效性标记和突变窗口标记组合形成辅助特征;
52、以及,将对应于各所述滑动历史窗口的特征矩阵根据时间顺序进行组合,生成最终输出矩阵。
53、第二方面,本技术提供一种面向在线风电功率预测的特征构造装置,所述装置包括:
54、获取模块,用于获取目标风电场的风电功率历史序列;
55、处理模块,用于根据窗口参数,基于所述风电功率历史序列构造对应于预测时刻的滑动历史窗口;
56、其中,所述滑动历史窗口用于输出对应于所述预测时刻的历史功率向量,所述历史功率向量包括所述风电功率历史序列中对应于所述预测时刻及所述预测时刻之前的多个数据点;
57、所述处理模块,还用于对当前时刻的所述滑动历史窗口,基于上一时刻的所述滑动历史窗口的最终参数状态,进行对应于所述预测时刻的变分模态分解,获得多个目标模态分量;
58、所述处理模块,还用于将各所述目标模态分量根据对应的中心频率映射至固定输出通道,生成固定维度的多尺度特征。
59、第三方面,本技术提供一种计算机设备,包括一个或多个处理器,以及存储器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述一个或多个处理器执行时,执行如第一方面所述的方法的步骤。
60、第四方面,本技术提供一种存储介质,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如第一方面所述的方法的步骤。
61、从以上技术方案可以看出,本技术实施例具有以下优点:
62、基于上述任一实施例,本技术所提供的方法,首先通过预测时刻约束的滑动历史窗口构造,使特征构造过程仅依赖历史数据,符合在线预测场景的时序要求。在此基础上,通过初始参数状态的建立和参数状态的窗口间继承,使相邻窗口的变分模态分解结果保持连续,减少了模态分量数量和频率分布的跳变。同时,通过多维度初始分解质量评估和触发式局部参数更新机制,仅在分解质量下降或某一维度出现异常时对参数进行局部调整,兼顾了分解适应性与在线计算量。最终,通过基于中心频率的模态通道对齐、通道合并和补零操作,生成固定维度的多尺度特征矩阵,并引入有效性标记和突变窗口标记作为辅助特征,使输出特征在通道含义、维度和时序结构上均保持稳定。
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