1.本发明涉及风力发电技术领域，种基尤其涉及一种基于小波的风电法风电场发电功率效率预测方法。
背景技术：
2.风能作为最重要的场发测方可再生能源之一，以其高效率、电功低成本和环境效益而备受青睐，率效率预近年来在世界各地得到了快速发展。种基根据全球风能理事会(gwec)发布的风电法《2022年全球风能报告》，2021年，场发测方全球新增风电装机容量将达到93.6吉瓦，电功累计风电装装机容量达到837吉瓦，率效率预增长12％。种基此外，风电法2021年全球风电招标达到88吉瓦，场发测方比上年增长153％。电功全球风能理事会预计，率效率预未来五年新增装机容量将达到557千兆瓦。这表明电力系统正朝着可再生能源高渗透的方向发展。
3.然而，由于气压、温度和风机叶片本身等气象因素的影响，风电设施的输出功率波动较大，导致稳定性较差。随着风电场数量和装机容量的增加，一旦风电融入电网，这种功率波动将给电网的安全和经济运行带来巨大挑战。因此，制定合理的调度计划，缓解电力系统调峰调频压力，确保电网安全经济运行具有重要意义。准确的风电功率预测有利于风电场的运营和维护。风电预测可分为不同的预测形式：点功率预测、区间预测、概率预测和情景预测。基于不同预测模型的点功率预测，取决于风电功率预测模型，主要有物理方法、统计方法和人工智能方法。
4.随着人工智能技术的快速发展，它由于能够揭示历史数据中的非线性关系而被应用于风电预测。卷积神经网络(cnn)和长短期记忆(lstm)是两种主要的深度学习模型。mujeeb等人提出了一种基于小波包变换和深度卷积神经网络(cnn)的风电预测模型。transformer是一种基于自注意机制的深度神经网络。它最早应用于自然语言处理领域。随着研究的深入，它已被应用于计算机视觉、语音、生物学等更多领域。近年来，许多学者引入了注意力机制来提高风电预测模型的性能。例如，在两个lstm神经网络中采用了注意力机制，以自适应地关注在预测中更重要的输入特征
5.在使用上述技术时，发现现有技术中存在以下技术问题：
6.大多只从单个时间尺度进行预测，而没有考虑数据的多尺度特征，并且转换器在局部信息获取方面仍需改进，现有技术存在一些客观的缺点需要被认识和解决：
7.训练复杂度高：由于rnn具有递归结构，模型的训练可能变得复杂和耗时。在处理长序列时，rnn容易出现梯度消失或梯度爆炸的问题，导致模型难以收敛或产生不稳定的预测结果。
8.长期依赖建模困难：传统的rnn模型难以有效地捕捉长期依赖关系。当预测任务需要考虑较长时间范围内的历史信息时，rnn可能会面临信息衰减或信息混淆的问题，导致预测性能下降。
9.注意力机制设计的复杂性：引入注意力机制虽然有助于提升模型的准确性和可解释性，但其设计和调整也面临一定的挑战。注意力权重的计算需要额外的参数和计算量，增
加了模型的复杂度和训练时间。
10.数据稀疏性和缺失值处理：在实际应用中，风电功率预测数据可能存在稀疏性或缺失值的情况。现有技术方案在处理这些数据特征时可能面临挑战，如如何填充缺失值、如何处理异常值等。
11.模型可解释性和解释性差：虽然注意力机制有助于提升模型的预测性能，但对于其内部决策过程和预测结果的解释性可能较差。这使得难以理解模型对于特定预测结果的依据和原因，限制了其在实际应用中的可解释性和可信度；
12.为此，我们设计一种基于小波的风电场发电功率效率预测方法，用于对上述技术问题提供另一种技术方案。
技术实现要素：
13.基于此，有必要针对上述技术问题，提供一种基于小波的风电场发电功率效率预测方法，用于解决上述背景技术中提出的技术问题。
14.为了解决上述的技术问题，本发明采用了如下技术方案：
15.一种基于小波的风电场发电功率效率预测方法，步骤如下：
16.s1：对风电功率的数据进行收集；
17.s3：通过移动平均技术将原始时间序列得到趋势性数据，再通过离散小波分解，将经过趋势性分解后的剩余残差数据分解为近似函数和细节函数；
18.通过傅里叶增强时序信息特征提取模块；
19.通过时序信息特征提取模块对近似函数和细节函数中的时序信息进行处理；
20.通过重构过程将处理后的近似函数和细节函数合并，恢复回原始数据的标准形式，保留原始时序信息；
21.s4：通过分层双残差拓扑结构挖掘数据中的潜在特征，提高模型的性能和可训练性。
22.作为本发明提供的所述的一种基于小波的风电场发电功率效率预测方法的一种优选实施方式，所述s1步骤中，对风电功率的数据进行收集包括风速、风向、温度的环境特征以及对应的风电功率数据；
23.将收集的数据按照7：2：1的比例划分数据集为训练集、验证集和测试集。
24.作为本发明提供的所述的一种基于小波的风电场发电功率效率预测方法的一种优选实施方式，通过趋势分解得到的趋势性数据和经过小波提取得到细节函数与近似函数分别作为输入，分离为奇数位序列数据和偶数位序列数据两个子序列，通过两个序列交互学习来补偿信息损失，表达式如下：
[0025][0026]
其中，是通过两个前馈神经网络训练后投影的隐状态，
⊙
表示逐元素乘积法，和φ为利用前馈神经网络搭建的训练的结构，
[0027]
通过傅里叶增强模块将时域信息转为频域信息，进行捕捉数据中的周期性、趋势和模式，表达式如下：
[0028]
[0029]
其中，xe'
ven
,xo'
dd
是交互学习模块的最终输出，其中p和u是基于傅里叶变换搭建的傅里叶增强结构，p,u＝tanh(fe(dropout(lrelu(fe())))，fe是傅里叶增强函数。
[0030]
作为本发明提供的所述的一种基于小波的风电场发电功率效率预测方法的一种优选实施方式，所述s3步骤中，通过u-net结构提取更大范围时间序列数据之间的相关性，进行捕捉时序信息，步骤如下：
[0031]
通过下采样压缩信息来提取更大范围时间序列数据的特征，且每一层的输出作为下一层的输入；
[0032]
同时在上采样阶段中，结合同层的下采样压缩信息再进行上采样嵌入；
[0033]
通过残差连接将趋势性分解后剩下的残差数据添加到时间序列中，以生成具有增强可预测性的新序列；
[0034]
经过u-net结构后完成编码部分得到x
en
，将编码输出的x
en
输入进全连接层进行解码预测出x
de
。
[0035]
作为本发明提供的所述的一种基于小波的风电场发电功率效率预测方法的一种优选实施方式，所述s4步骤中，分层双残差拓扑结构挖掘数据中的潜在特征，提高模型的性能和可训练性，表达式如下：
[0036][0037][0038]
其中，f,b分别是通过前向预测和反向预测得到的，将f正向预测的堆叠起来，再通过当前堆栈输入减去反向预测的b，也堆叠到预测值。
[0039]
作为本发明提供的所述的一种基于小波的风电场发电功率效率预测方法的一种优选实施方式，还包括，对s4得到的模型进行优化，步骤如下：
[0040]
定义适当的损失函数作为模型的优化目标；
[0041]
使用反向传播算法结合adam优化器，对模型的参数进行更新和优化，以最小化损失函数；
[0042]
进行模型的交叉验证和超参数调优，选择最佳的模型架构和超参数配置。
[0043]
可以毫无疑义的看出，通过本技术的上述的技术方案，必然可以解决本技术要解决的技术问题。
[0044]
同时，通过以上技术方案，本发明至少具备以下有益效果：
[0045]
本发明提供的一种基于小波的风电场发电功率效率预测方法，通过提出的一种基于小波的傅立叶增强网络模型算法用于风功率预测，并通过引入趋势分解和小波变换，在长期时间预测环境中适应学习和捕捉时间模式，当数据进入小波变换后，将得到不同尺度的细节函数和近似函数从而进一步提取序列的时频局部特征，从而提高预测性能。
附图说明
[0046]
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0047]
图1为本发明的基于傅里叶增强的特征提取模块示意图；
[0048]
图2为本发明的u-net改进结构示意图；
[0049]
图3为本发明的方案流程图；
[0050]
图4为本发明的网络模型结构示意图。
具体实施方式
[0051]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0052]
为了使本技术领域的人员更好地理解本发明方案，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。
[0053]
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征和技术方案可以相互组合。
[0054]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0055]
参照图1-图4，一种基于小波的风电场发电功率效率预测方法。
[0056]
1、数据集处理：
[0057]
收集风电功率相关的历史数据，包括风速、风向、温度等环境特征以及对应的风电功率数据，该数据集来自中国某地区的实际风电场数据集。
[0058]
按照7：2：1的比例划分数据集为训练集、验证集和测试集，通常采用时间序列划分的方法，保证训练集包含过去的数据，验证集和测试集包含未来的数据。划分好数据集后，可以使用训练集进行模型的训练和参数调优，使用验证集进行模型的选择和调优，最后使用测试集评估模型的性能和泛化能力。这样可以更准确地评估模型在未知数据上的预测效果，提供可靠的结果。
[0059]
2、模型预测：
[0060]
1)趋势分解和小波变换：为了在长期时间预测环境中适应学习和捕捉时间模式，我们采取了一系列处理步骤来提取和利用时序信息。一方面，我们使用移动平均技术对原始数据进行趋势性分解，以获得趋势性数据，另一方面，这种处理可能会导致部分时序信息的丢失，因此我们进一步对趋势性数据进行残差处理，在残差数据中，仍然存在着很多与时间序列相关的信息。为了捕捉这些信息，我们应用离散小波分解技术(dwt)，将残差数据分解为多个近似函数(ca)和细节函数(cd)。近似函数提供了残差数据的整体趋势信息，而细节函数则捕捉到了更细微的时序变化。为了进一步分析和利用这些近似函数和细节函数中的时序信息，我们使用时序信息特征提取模块对它们进行处理。这个特征提取过程有助于提取出更具代表性和有用的特征，揭示出更深层次的时序模式，最后，我们通过重构过程将经过处理的近似函数和细节函数合并，恢复回原始数据的标准形式，从而保留了原始时序信息。
[0061]
2)基于傅里叶增强的特征提取模块：为了提取更为全面的时序信息，设立了多层的前馈神经网络的层叠神经元和非线性激活函数提取时间相关性，其中为了补偿下采样可能导致的信息损失，采取移动平均技术分解原始数据得到的趋势性数据和经过小波提取得到多个细节函数与近似函数分别作为输入，分离为奇数位序列数据和偶数位序列数据两个
子序列，通过两个序列交互学习来补偿信息损失，
[0062][0063]
是通过两个前馈神经网络训练后投影的隐状态，其中
⊙
表示逐元素乘积法，和φ是我们利用前馈神经网络搭建的训练的结构，
[0064]
再通过傅里叶增强模块将时域信息转为频域信息，可以突出数据的频域特征使得这些特征更加明显和可辨识性，可以帮助模型更好地捕捉数据中的周期性、趋势和模式。
[0065][0066]
正如等式(2)所示，xe'
ven
,xo'
dd
是交互学习模块的最终输出，其中p和u是我们基于傅里叶变换搭建的傅里叶增强结构，p,u＝tanh(fe(dropout(lrelu(fe())))，fe是傅里叶增强函数，基于傅里叶增强的特征提取模块结构如图1所示。
[0067]
3)u-net改进结构：为了有效地提取更广阔范围数据之间的特征信息，针对时间序列数据的分析改进了u-net结构，增加一条残差连接，使模型更好的提取趋势性数据以外的信息。使用u型结构进行下采样可以扩大感受野，并提取更大范围时间序列数据之间的相关性，从而更有效地捕捉时序信息。这种方法能够更好地挖掘数据中的潜在特征，为后续分析和预测提供更丰富的信息。该架构有n层，先通过下采样压缩信息来提取更大范围时间序列数据的特征，且每一层的输出作为下一层的输入；上采样阶段中，先结合同层的下采样压缩信息再进行上采样嵌入；然后通过残差连接将趋势性分解后剩下的残差数据添加到时间序列中，以生成具有增强可预测性的新序列。具体流程如图2所示。最后，在经过u-net结构后完成编码部分得到x
en
，将编码输出的x
en
输入进全连接层进行解码预测出x
de
。
[0068]
4)双残差：
[0069]
经典的深度学习残差网络架构是将结果传递给下一个堆栈，将上一层堆栈的输出作为输入到下一个堆栈和残差加到下一个堆栈的输出中。这些加深网络模型可以提高可训练性，但在这项工作的背景下，简单的加深并进行残差连接会导致过拟合，而没有很好的挖掘出未能训练的一些特征，我们使用一种分层双残差拓扑结构，如图2所示。所提出的架构具有两个残差分支，一个在每层的反向预测上运行，另一个在每个层的预测分支上运行，这种分层双残差拓扑结构能够更好地挖掘数据中的潜在特征，提高模型的性能和可训练性。其操作由以下方程式描述：
[0070][0071][0072]
其中f,b分别是通过前向预测和反向预测得到的，将f正向预测的堆叠起来，再通过当前堆栈输入减去反向预测的b，也堆叠到预测值。
[0073]
当训练样本足够时，我们可以堆叠m层stack来实现更好的预测精度，代价是更复杂的模型结构。具体而言，我们使用基本事实值对每个stack的输出应用中间监督，以便于学习中间时间特征。第m个中间stack的输出，长度为τ的x
l
，与输入x
t-(k-τ)+1:t
的一部分连接，并作为输入馈送到第(m+1)个stack，其中l＝1,...,m-1，并且m是堆叠结构中stacks的总数过程是：
[0074]
x
l+1
＝cat(x
l
,x
l-1
) (5)
[0075]
其中，x
l
是第l层的输出经过反向预测后再经过反向残差所得到的输出值，x
l-1
则是第l层的输入。
[0076]
模型能够同时考虑前向和反向预测，从而更好地捕捉数据中的模式。backcast部分可以帮助模型更好地理解数据，并为预测提供更多信息，使下游块的预测工作更容易。这种结构还促进了更多的流体梯度反向传播
[0077]
从而，将原始风电序列经过趋势分解和小波变换得到一些特征序列，输入到一个基于傅里叶增强的特征提取模块中，以获得时间序列特征进行编码。为了进一步获得不同特征尺度的时间相关性和相关性，通过u-net结构进一步提挖掘序列的局部特征，再通过全连接层进行解码预测，最终通过双残差连接以提高预测的性能。所提出的模型的总体框架如图4所示。
[0078]
3.模型训练与优化：
[0079]
1)定义适当的损失函数，如均方误差(mse)或平均绝对误差(mae)，作为模型的优化目标。
[0080]
2)使用反向传播算法结合adam优化器，对模型的参数进行更新和优化，以最小化损失函数。
[0081]
3)进行模型的交叉验证和超参数调优，选择最佳的模型架构和超参数配置。
[0082]
4.模型评估与预测：
[0083]
1)使用测试集对训练好的模型进行评估，计算预测结果与实际风电功率之间的误差指标，如均方根误差(rmse)、平均绝对误差(mae)等，评估模型的预测性能。
[0084]
2)利用训练好的模型对未来的风电功率进行预测，提供短期风电功率的预测结果。
[0085]
通过提出的一种基于小波的傅立叶增强网络模型算法用于风功率预测，并通过引入趋势分解和小波变换，在长期时间预测环境中适应学习和捕捉时间模式，当数据进入小波变换后，将得到不同尺度的细节函数和近似函数从而进一步提取序列的时频局部特征，从而提高预测性能。通过比较了不同函数的小波变换，结果表明小波函数函数为db4和移动平均的组合是最好的。提出的基于傅里叶增强的特征提取模块更好地实现了序列特征的获取，并且在不添加额外超参数的情况下对梯度下降更友好。提出的联合模型能够与不同的模型相结合，以适应不同的任务。它具有更多的普遍性。
[0086]
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该本发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。