CN119443847A 基于改进损失函数和补丁时序Transformer网络的超短期风功率预测方法 （华北电力大学）

号基于改进损失函数和补丁时序Transformer本发明公开了属于风功率预测技术领域的基于改进损失函数和补丁时序Transformer网络量和波动分量的PatchTST模型，引入通道独立预测值；采用多元非线性损失函数对PatchTST模型的参数进行优化；验证风功率预测的有效21.基于改进损失函数和补丁时序Transformer网络的超短期风功率预测方法，其特征采用风功率数据的图像异常检测与清洗算法对功率数据进行检测通过皮尔逊相关系数或者MIC相关系数对气象数据和功率数据进行相关性的计算，提利用平均池化操作对和风功率相关性高的特征采用多元非线性损失函数对PatchTST模型的参对比分析补丁分块结构、通道独立策略和多元非线性损失2.根据权利要求1所述基于改进损失函数和补丁时序Transformer网络的超短期风功后用不同结构元素b的侵蚀和膨胀操作对二值比较每个二值图像的7个Hu矩与参考WPC二值图像的Hu矩之间的不相似度，选择7个Hu对轮廓外的数据进行标记，并建立正常数据和图像的映射关系，3.根据权利要求1所述基于改进损失函数和补丁时序Transformer网络的超短期风功4.根据权利要求1所述基于改进损失函数和补丁时序Transformer网络的超短期风功3amplitude+λ2phase+λ3SQLλ2和λ3分别是用于平衡不同损失项贡献的权重参数。4[0001]本发明涉及风功率预测技术领域，尤其涉及基于改进损失函数和补丁时序模型通过递推方法仅能捕捉数据间的线性关系，随着数据复杂度的提升和预测步长的增编码器_解码器(sequence_to_sequence,Seq2Seq)模型的应用上。自Google团队在2017年[0006]此外，神经网络模型的预测精度与采取的损失函数密切相关。尽管均方根误差函数如近似动态时间翘曲和DILATE专注于形状感知，但它们对噪声的抑制能力仍不够理5[0007]因此，需要基于改进损失函数和补丁时序Transformer网络的超短期风功率预测[0008]本发明的目的是提出基于改进损失函数和补丁时序Transformer网络的超短期风[0010]通过皮尔逊相关系数或者MIC相关系数对气象数据和功率数据进行相关性的计[0014]对比分析补丁分块结构、通道独立策略和多元非线性损失函数对预测结果的影[0015]采用风功率数据的图像异常检测与清洗算法对功率数据进行检测和清洗具体包[0018]比较每个二值图像的7个Hu矩与参考WPC二值图像的Hu矩之间的不相似度，选择76amplitude+λ2phase+λ3SQLλ2和λ3分别是用于平衡不同损失项贡献的权重参数。Transformer的局部提取特征能力和鲁棒性；设计的多元非线性损失函数增强了形状感知[0045]本发明提出基于改进损失函数和补丁时序Transformer网络的超短期风功率预测[0048]S101.1特征选择利用皮尔逊相关系数(PCC)或者最大互信息系数(MIC)来筛选出7[0053]并且利用数学形态学(MMO)中的侵蚀和膨胀操作来提取二值图像的主体部分，侵[0055]考虑到侵蚀和膨胀操作受结构元素b的形状和大小影响，用Hu矩不相似度来度量提取的图像主体部分与参考WPC图像主体之间的差异。Hu矩的计算来源于图像中心矩的线[0057]式中，μpq表示尺寸为M×N的8Hu矩值，用公式(9)计算在不同的结构元素下提取的WPC二值图像轮廓与参考的WPC二值图a,k和mb,k分别表示图像a和图像b的第k个Hu矩。则基于数据映射算法对SCADA的正常和异常风功率数据进[0071]S102特征处理是对时间序列进行了特征分解，分别提取出趋势分量和残差分9[0077]为了在池化过程中保持原始序列的长度不变，采取了边界填充(Padding)技术填[0080]S103PatchTST架构如图3所示，该模型结构由三部分组成：序列构建层、[0086]为使模型能够感知输入数据的位置信息，在Transformer编码层中引入了位置编[0094]多头注意力机制由多个缩放点积自注意力(ScaledDot_ProductAttention)模意力计算，将包含时间顺序的补丁序列转置，然后分别通过不同的线性映射矩阵wf."和进行投影，得到各个注意头下的查询、键和值向量。这些向量分别送入缩[0109]S103.4前馈神经网络(FFN)结构是由两次线性转化和一个非线性激活函数组成，W22为第二次[0112]S104模型优化通过设计了一种多元非线性损失函数对建立的PatchTST模型中的amplitude+λ2phase+λ3λ2和λ3分别是用于平衡不同损失项贡献的权重参数。这里根据实验结果[0126]1)数据预处理：风电历史数据中的气象数据通过皮尔逊相关系数或者MIC相关系于确保提取的二值图像与参考WPC二值图像在形状特征上最为接近。比较出结果后用相应[0129]4)模型优化：为了使模型更好地感知风功率预测中序列形状变化和抵抗噪声干[0131]采集某风电场2019年1月至12月一年的实测数据。数据集包括风电功率和当地的[0139]考虑到数据的量纲以及数据大小不同对深度学习反向传播过程中参数更新的速类特征第i个归一化后的值；min(xi,feature)为原始数据中某一类特征中的最小值；max(xfeature)为原始数据中某一类特[0142]预处理后的数据特征包括风速(10m测风塔处)、风速(30m测风塔处)、风速(轮毂模型和Dlinear模型，其损失函数为MSE、学习率为0.001、dropout为0.2、epoch为50，[0155]对比表4中的预测指标可以发现，几种预测模型的各项指标上存在明显差异。其乏复杂的特征提取和特征增强，传统的机器学习TCN_LSTM的性能远不如其他深度学习模示了所提方法的预测效果。通过比较可以看出，尽管风电功率波动性较大，但所提出的PatchTST模型的预测结果与真实值紧密贴合，并且在相对平稳的区间内能够持续精确的[0159]为了验证损失函数在多步预测中的有效性，同时进行了不同尺度的多步预测实中，PatchTST1不使用新的损失函数，PatchTST2