← 返回列表
一种基于时空相关性挖掘的风电功率预测方法
摘要文本
本发明揭示了一种基于时空相关性挖掘的风电功率预测方法，基于时空相关性挖掘和多重注意力机制进行风电功率预测，搭建多层注意力机制并结合皮尔逊相关系数，充分挖掘区域内相邻站点间的时空相关性，不仅提高了风电功率预测的准确性，还有助于降低运维成本、提高决策效率和增强数据利用效率，对于推动风电能源的发展和消纳具有重要的实际意义。
申请人信息
- 申请人:安徽大学
- 申请人地址:230601 安徽省合肥市经济技术开发区九龙路111号
- 发明人: 安徽大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 一种基于时空相关性挖掘的风电功率预测方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202410195166.7 |
| 申请日 | 2024/2/22 |
| 公告号 | CN117763314A |
| 公开日 | 2024/3/26 |
| IPC主分类号 | G06F18/20 |
| 权利人 | 安徽大学 |
| 发明人 | 颜娟; 吴海萍; 曹文平; 胡存刚 |
| 地址 | 安徽省合肥市经济技术开发区九龙路111号 |
专利主权项内容
1.一种基于时空相关性挖掘的风电功率预测方法，其特征在于，包括：选择N个相邻站点在预定时间段内的风电功率历史数据；根据所有站点风电功率历史数据构建初始目标矩阵、第p层子序列矩阵以及超前或延迟T个步长的时间矩阵/>；对所述初始目标矩阵、第p层子序列矩阵/>以及超前或延迟T个步长的时间矩阵/>分别进行标准化操作，得到原始数据标准化后目标矩阵/>，第p层子序列标准化后目标矩阵/>以及输入特征超前或延迟T步标准化后目标矩阵/>；构建三层注意力机制，以标准化后的目标矩阵，/>以及/>作为输入特征，基于三层注意力机制根据标准化后的输入特征与目标站点风电序列之间的相关程度的强弱对各层输入特征分配不同的权重，并输入GRU模型进行训练，得到第一预测结果、第二预测结果以及第三预测结果；以所述第一预测结果、第二预测结果以及第三预测结果作为输入特征，再次输入GRU模型进行训练，得到目标站点的最终预测结果。