一种结合MCG-STE、Time-TK及FNO联合寻优的风电功率预测方法

本发明涉及风电功率预测领域，特别是涉及一种结合mcg-ste、time-tk及fno联合寻优的风电功率预测方法。

背景技术：

1、在新能源高比例并网和新型电力系统持续发展的背景下，风电功率预测精度直接关系到电网调度计划、备用容量配置、功率平衡控制及新能源消纳策略制定。尤其在风电场集群接入、源网荷储协同运行及云边协同预测场景下，风电功率预测不仅影响单场站运行优化，还关系到区域电力平衡、安全裕度评估和调度响应效率。由于风电功率受风速、风向、空气密度、地形扰动、气象突变、尾流效应及机组运行状态等多因素共同影响，其时间序列具有显著的非平稳性、随机波动性、强噪声干扰性和多时间尺度耦合特征，因此属于电力系统领域中技术难度较高的关键问题。

2、现有风电功率预测技术仍存在多项技术瓶颈。非平稳信号中的多类成分难以有效剥离，连续时间结构与跨时段关联信息也无法得到充分保留。在提取复杂非线性特征的过程中，局部与全局信息往往难以实现深度融合，关键结构参数更缺乏联合优化的机制。这些缺陷相互叠加，严重制约了现有模型预测精度。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种结合mcg-ste、time-tk及fno联合寻优的风电功率预测方法，将信号平稳化处理、时间关联建模、非线性表征增强、全局交互融合以及关键参数联合寻优融为一体，有效提高了预测精度。

2、本发明的目的是通过以下技术方案来实现的：一种结合mcg-ste、time-tk及fno联合寻优的风电功率预测方法，包括以下步骤：

3、步骤s1：获取风电场的原始多源时序数据，对不同来源及不同采样频率的原始多源时序数据进行统一重采样和时间对齐；从完成统一重采样和时间对齐的原始多源时序数据中提取风电功率通道对应的历史功率序列，利用vmd算法将所述历史风电功率序列自适应地分解为若干具有有限带宽的本征模态函数，将vmd分解得到的第个本征模态函数记为，其中，，为vmd分解得到的本征模态函数数量；并保留未进入vmd模态分解支路的其他原始多源时序特征，以供步骤s4进行联合输入特征构造。

4、步骤s2：获取步骤s1输出的各本征模态函数后，对各本征模态函数对应的离散模态序列进行复杂度量化计算，构建反映各本征模态函数预测难度的熵权重向量；

5、步骤s3：将各本征模态函数对应的离散模态序列及相应的熵权重向量输入至时空自编码网络进行特征编码；

6、步骤s4：进行多源异构数据融合、重构，获取标准化输入矩阵，并进行多偏移时间嵌入与偏移子序列构造，并将生成的多个偏移子序列输入mi-kan模块，对各偏移分支进行非线性特征映射；

7、步骤s5：在获得各偏移子序列的高阶表示后，对每个偏移分支分别执行多头自注意力运算，以学习同一偏移视角下不同时间位置之间的相关关系；

8、步骤s6：基于fno的mote与mi-kan关键参数联合寻优；

9、步骤s7：将输出的最优参数解回注至mote模块和mi-kan模块，重新执行多偏移子序列构造、非线性高阶表示提取、moti建模以及全局融合过程，得到最优参数配置下的统一融合特征表示。

10、本发明的有益效果是：（1）一体化预测架构提升了风电功率预测的整体精度与鲁棒性：

11、现有风电功率预测方法中，信号增强、时序嵌入、特征表征、交互建模和参数优化多为分散设计，模块之间衔接不足，难以形成统一的闭环预测链路，导致局部特征与全局时序关系难以协同建模。本申请构建了由mcg-ste、mote、mi-kan、moti、全局融合及fno参数联合优化组成的一体化预测架构，使多源数据处理、信号增强、多偏移交互、非线性表征和参数寻优在同一流程内协同执行，从而增强了对风电功率短时波动、长时趋势及复杂工况变化的整体刻画能力，提升了预测精度和鲁棒性。

12、（2）mcg-ste预处理增强机制提升了输入表征质量与预测稳定性：

13、现有方法通常直接对原始风电功率序列建模，难以有效分离非平稳成分、识别模态复杂度差异并实施差异化增强，导致输入信号可建模性不足，复杂工况的预测结果易波动。本申请基于mcg-ste模块，将vmd模态分解、rcmfde复杂度量化和stae时空编码构造成统一预处理增强环节，实现对原始风电功率序列的分解、量化与增强，并将复杂度信息注入时空特征提取过程，从源头提高输入表征质量，增强复杂工况下的预测稳定性。

14、（3）time-tk模块提升风电功率预测性能：

15、time-tk模块由多偏移时间嵌入mote、非线性映射表征mi-kan及多偏移时序交互moti构成。其中，mote通过对输入序列沿时间维度进行多偏移切分，生成多组反映不同时间跨度状态的偏移子序列，从而增强对原始序列连续时间结构及跨时段关联信息的保持能力；mi-kan通过对各偏移子序列执行独立非线性映射，提取其内部高阶动态特征，从而提高模型对复杂非线性耦合关系、强波动过程及突变工况的表征能力；moti则对各偏移分支特征执行多头注意力交互与聚合，并映射至统一隐藏空间，实现局部动态信息与全局趋势信息的协同融合。通过上述模块的协同作用，能够有效提升模型对风电功率短时波动、周期演化及长时趋势的综合建模能力，进而提高风电功率预测的精度。

16、（4）fno联合寻优机制提升参数匹配能力与模型自适应能力：

17、现有预测模型中的时间嵌入参数和非线性表征参数多依赖经验设定，难以针对不同风电场景实现协同匹配，易导致模型性能波动。本申请将fno引入模型内部，对mote参数与mi-kan参数进行联合寻优，并将最优参数解回注至后续建模过程，形成“联合搜索-适应度评价-参数回注”的闭环优化机制。该设计提高了关键结构参数的匹配能力和模型自适应能力，从而提升了模型结构参数与输入特征之间的匹配性。

1.一种结合mcg-ste、time-tk及fno联合寻优的风电功率预测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种结合mcg-ste、time-tk及fno联合寻优的风电功率预测方法，其特征在于：所述步骤s1中，vmd算法采用交替方向乘子法对各本征模态函数的频域表达式及其中心频率进行交替迭代求解：

3.根据权利要求1所述的一种结合mcg-ste、time-tk及fno联合寻优的风电功率预测方法，其特征在于：所述步骤s2包括：

4.根据权利要求1所述的一种结合mcg-ste、time-tk及fno联合寻优的风电功率预测方法，其特征在于：所述步骤s3包括：

5.根据权利要求1所述的一种结合mcg-ste、time-tk及fno联合寻优的风电功率预测方法，其特征在于：所述步骤s4包括：

6.根据权利要求1所述的一种结合mcg-ste、time-tk及fno联合寻优的风电功率预测方法，其特征在于：所述步骤s5中，学习同一偏移视角下不同时间位置之间的相关关系，表示为：

7.根据权利要求1所述的一种结合mcg-ste、time-tk及fno联合寻优的风电功率预测方法，其特征在于：所述步骤s6包括：

8.根据权利要求1所述的一种结合mcg-ste、time-tk及fno联合寻优的风电功率预测方法，其特征在于：所述步骤s7包括：