CN119312168B 一种风力发电功率预测方法及系统 （西安交通大学）

本发明公开了一种风力发电功率预测方法测目标的历史数据构建多元时间序列预测数据功率预测预训练模型对待预测目标当前的参数数据进行预测得到待预测目标未来设定时间内集，在多个领域的时间序列预测任务中表现优物理约束提高风力发电功率预测的准确性和稳2基于待预测目标的历史数据构建多元时间序列预测数据集，基基于待预测目标的历史数据构建多元时间序列预测数据集，对多元时间序列预测数据集中的数据进行清洗处理，具体包括以对清洗后的多元时间序列预测数据集中的数据进行标准化处理，采用功率预测预训练模型对待预测目标当前的参数数据进行预测得到待预测目标未基于多元时间序列预测数据集对多元时间序列预测模型训练得到功率预测预训练模嵌入模块层用于对输入的数据进行词嵌入、时间嵌入和空间嵌入预处理模块层，利用多头注意力机制对嵌入模块层输出的高维时序特征进行预处理，所述多元时间序列预测数据集中的数据具有时间特性和物理特性，所述多元时间取进一步处理后的时序数据高维特征的物理约束，物理约束包括通道速度场和时间散度状态空间模块用于提取时序数据高维特征的数据状态特征3t-1时刻和t时刻的隐状态，t是时间序列；物理空间模块用于提取时序数据高维特征的物理约束表示通道速度，△t表示时间序列中两个时间点之间的时间差；对未转置的输入特征，在同时间的多个特征通道上计算偏导并相将卷积后的通道速度和加速度表示输入到物理空间模块的通道速度将卷积后的时间散度输入到物理空间模块的时间散度场中，提取高维度式中，F、G分别表示物理空间模型中的散度矩阵，表示t-1时刻散度场的隐状4最后将时序数据经过状态空间模块和物理空间模块得到的状态空间和物理空间相融。3.一种用于权利要求1所述风力发电功率预测方法的风力发电功率预测系统，其特征预训练模块，基于待预测目标的历史数据构建多元时间序列预测数基于待预测目标的历史数据构建多元时间序列预测数据集，对多元时间序列预测数据集中的数据进行清洗处理，具体包括以对清洗后的多元时间序列预测数据集中的数据进行标准化处理，预测模块，基于功率预测预训练模型对待预测目标当前的参数基于多元时间序列预测数据集对多元时间序列预测模型训练得到功率预测预训练模嵌入模块层用于对输入的数据进行词嵌入、时间嵌入和空间嵌入预处理模块层，利用多头注意力机制对嵌入模块层输出的高维时序特征进行预处理，所述多元时间序列预测数据集中的数据具有时间特性和物理特性，所述多元时间56[0001]本发明属于风力发电处理技术领域，特别涉及一种风力发电功率预测方法及系[0002]风力发电功率的精确预测有利于电网调度人员提早制定合理的发电计划和运行管Transformer在捕获依赖关系方面表现出色，但其注意力机制的二次复杂度限制了其在测数据集对多元时间序列预测模型训练得到[0008]采用功率预测预训练模型对待预测目标当前的参数数据进行预测得到待预测目述多元时间序列预测数据集中的数据满足时间间隔均匀和特征数量测数据集中的数据包括采集该数据时的日期时间戳，所有数据采集的日期时间戳格式一7元时间序列预测数据集对多元时间序列预测模型训练得到功率8员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范序列预测数据集中的数据满足时间间隔均匀和9[0048]基于多元时间序列预测数据集对多元时间序列预测模型训练得到功率预测预训[0055]式中，X表示输入的时间序列数据，C表示时间上下文信息，s表示空间信息，con1D和Linear操作分别表示一维卷积和线性变换，E、Eroxen、Etem和Espa分别表示w和分别[0066]式中LayerNorm表示层归一化（LayerNormalization）处理；G[0074]式中ESSW是状态空间模块的预测输出，是将卷积后并进行非线性激活的输出t-1时刻和t时刻的隐状态，t是时间序列。[0075]接着，将状态空间模块输出的线性变换结果ESSW与原始输入E通过残差连接相速度，△t表示时间序列中两个时间点之间的时间差。下特征在多通道轴上的散度，体现了时序特征在时间序[0095]最后将时序数据经过状态空间模块和物理空间模块得到的状态空间和物理空间[0098]$=H·W+b