一种超短期风电功率的预测方法、装置及介质与流程

本申请涉及数据处理，特别是一种超短期风电功率的预测方法、装置及介质。

背景技术：

1、风力发电是获取清洁能源的主要方式之一，随着相关技术的不断成熟，风力发电总量也不断提高。现有技术中通常采用神经网络对超短期风电功率进行预测，但是预测得到的超短期风电功率结果的准确率较低。因此，如何提高超短期风电功率的预测结果的准确率，成为当前所需解决的技术问题。

技术实现思路

1、鉴于上述问题，本发明的目的在于提供一种超短期风电功率的预测方法、装置及介质，以通过在神经网络中引入坐标注意力机制，提高预测结果的准确性，具体方案如下：

2、第一方面，本申请实施例提供了一种超短期风电功率的预测方法，所述方法包括：

3、获取预处理后的风力发电机参数；所述风力发电机参数包括历史风电功率序列和传感器采集数据；

4、基于经验模态分解，将预处理后的历史风电功率序列分解为多个模态分量；所述多个模态分量具有不同的频率；

5、将所述多个模态分量和预处理后的传感器采集数据输入至预设的神经网络中，得到超短期风电功率的预测结果；所述预设的神经网络引入坐标注意力机制。

6、可选的，所述将所述多个模态分量和预处理后的传感器采集数据输入至预设的神经网络中，得到超短期风电功率的预测结果，包括：

7、将所述多个模态分量和所述预处理后的传感器采集数据输入至基于卷积神经网络、所述坐标注意力机制、长短期记忆网络和极致梯度提升模型构建的神经网络中，得到所述超短期风电功率的预测结果。

8、可选的，所述将所述多个模态分量和所述预处理后的传感器采集数据输入至基于卷积神经网络、所述注意力机制、长短期记忆网络和极致梯度提升模型，构建的神经网络中，得到所述超短期风电功率的预测结果，包括：

9、将所述多个模态分量和所述预处理后的传感器采集数据输入至所述卷积神经网络，得到特征图；

10、基于所述坐标注意力机制对所述特征图进行加权处理，得到加权后的特征图；

11、将所述加权后的特征图输入至所述长短期记忆网络中，得到关键特征；

12、将所述关键特征输入至所述极致梯度提升模型中，得到所述超短期风电功率的预测结果。

13、可选的，所述基于所述坐标注意力机制对所述特征图进行加权处理，得到加权后的特征图，包括：

14、分别对所述特征图中的高度维度信息和宽度维度信息进行编码，得到高度维度的注意力图和宽度维度的注意力图；

15、根据所述高度维度的注意力图和所述宽度维度的注意力图，对所述特征图进行重标定，得到所述加权后的特征图。

16、可选的，所述基于经验模态分解，将所述预处理后的历史风电功率序列分解为多个模态分量，包括：

17、获取所述预处理后的历史风电功率序列的局部极大值和局部极小值；

18、根据样条插值、所述局部极大值和所述局部极小值，生成与所述预处理后的历史风电功率序列对应的上包络线和下包络线；

19、计算上包络线和下包络线在各个时刻的平均值，得到平均值包络线；

20、计算所述预处理后的历史风电功率序列与所述平均值包络线的差值，得到第一分量；

21、若所述第一分量满足固有模态函数条件，则确定第一阶固有模态函数为所述第一分量；

22、将所述预处理后的历史风电功率序列减去所述第一阶固有模态函数，得到剩余量；

23、将所述预处理后的历史风电功率序列替换为所述剩余量，基于替换后的历史风电功率序列计算第二阶固有模态函数，直至所述剩余量为单调函数或常数。

24、可选的，所述方法还包括：

25、若所述第一分量不满足所述固有模态函数条件，则计算所述第一分量与第一分量对应的平均值包络线的差值，得到第二分量；所述第一分量对应的平均值包络线为与所述第一分量对应的上包络线和下包络线在各个时刻的平均值。

26、第二方面，本申请实施例还提供了一种超短期风电功率的预测装置，所述装置包括：

27、获取模块，用于获取预处理后的风力发电机参数；所述风力发电机参数包括历史风电功率序列和传感器采集数据；

28、分解模块，用于基于经验模态分解，将预处理后的历史风电功率序列分解为多个模态分量；所述多个模态分量具有不同的频率；

29、预测模块，用于将所述多个模态分量和预处理后的传感器采集数据输入至预设的神经网络中，得到超短期风电功率的预测结果；所述预设的神经网络引入坐标注意力机制。

30、可选的，所述预测模块，具体用于：

31、将所述多个模态分量和所述预处理后的传感器采集数据输入至基于卷积神经网络、所述坐标注意力机制、长短期记忆网络和极致梯度提升模型构建的神经网络中，得到所述超短期风电功率的预测结果。

32、可选的，所述预测模块，具体用于：

33、将所述多个模态分量和所述预处理后的传感器采集数据输入至所述卷积神经网络，得到特征图；

34、基于所述坐标注意力机制对所述特征图进行加权处理，得到加权后的特征图；

35、将所述加权后的特征图输入至所述长短期记忆网络中，得到关键特征；

36、将所述关键特征输入至所述极致梯度提升模型中，得到所述超短期风电功率的预测结果。

37、第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任意一种超短期风电功率的预测方法。

38、相对于现有技术，本申请具有以下有益效果：

39、通过获取预处理后的风力发电机参数，基于经验模态分解，将预处理后的历史风电功率序列分解为多个具有不同的频率的模态分量。将多个模态分量和预处理后的传感器采集数据输入至预设的神经网络中，得到超短期风电功率的预测结果。由于本申请实施例中预设的神经网络引入了坐标注意力机制，使得本申请实施例中的神经网络能够有效地提取和利用空间特征和时间特征，以提高超短期风电功率的预测结果的预测精度。并且，由于输入至神经网络中的参数为对历史风电功率序列分解后得到的模态分量，波动幅度和复杂度更小，有利于预测结果的分析，从而进一步提高了预测结果的预测精度。

1.一种超短期风电功率的预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述将所述多个模态分量和预处理后的传感器采集数据输入至预设的神经网络中，得到超短期风电功率的预测结果，包括：

3.根据权利要求2所述的方法，其特征在于，所述将所述多个模态分量和所述预处理后的传感器采集数据输入至基于卷积神经网络、所述坐标注意力机制、长短期记忆网络和极致梯度提升模型，构建的神经网络中，得到所述超短期风电功率的预测结果，包括：

4.根据权利要求3所述的方法，其特征在于，所述基于所述坐标注意力机制对所述特征图进行加权处理，得到加权后的特征图，包括：

5.根据权利要求1所述的方法，其特征在于，所述基于经验模态分解，将所述预处理后的历史风电功率序列分解为多个模态分量，包括：

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

7.一种超短期风电功率的预测装置，其特征在于，所述装置包括：

8.根据权利要求7所述的装置，其特征在于，所述预测模块，具体用于：

9.根据权利要求8所述的装置，其特征在于，所述预测模块，具体用于：

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的超短期风电功率的预测方法。