[发明专利]基于多模态多任务的Transformer网络的风电功率多步预测方法

说明书

本发明公开了一种基于多模态多任务的Transformer网络的风电功率多步预测方法，属于电力系统规划领域，包括：设计深度的M2TNet预测模型；收集K种多源异构数据并利用最大信息系数分析进行变量选择，选出S种优选变量；对优选变量进行归一化处理，划分训练集和测试集；采用人工经验和网格搜索的方式并结合模型训练的效果来确定M2TNet模型的超参数；保存最佳训练效果的参数模型，利用测试集的数据进行风电功率多步预测；对预测结果进行反归一化得到风电功率预测值，并结合评价指标对预测结果进行分析。解决了多源异构数据的风电功率多步预测问题，并改善了已有的模型性能，不仅能提升已有模型的预测准确率而且能降低其时间复杂度。

技术领域

本发明属于电力系统规划技术领域，更具体地，涉及一种基于多模态多任务的Transformer网络的风电功率多步预测方法。

背景技术

风能是最有前途的清洁能源之一。风力发电是风能利用的主要形式之一，近年来越来越受到研究人员的关注。风能具有随机性和波动性的特点，给电网的安全稳定运行带来了一定程度的威胁。因此，风电功率预测是风电场并网必不可少的环节。风电场功率预测可以为发电、调度和运维等提供有效依据。当大规模风能用于发电时，风电功率预测的研究对于确保电网的可靠性、稳定性和经济性的运行具有重要的现实意义。比单步预测而言，多步预测更能反映一般情况，在现实生活中应用更加广泛。从机器学习的角度来看，多步预测可以转化为多个单步预测的多任务学习问题。从数据驱动的角度来看，多步预测的研究一般采用多源异构数据风电功率和数值天气预报(Numerical Weather Prediction，NWP)，但是如何尊重这些数据的差异性和统一性是有挑战性的。此外，已存在的预测模型在预测精度和时间复杂度方面，具有较大的提升潜力。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提出了一种基于多模态多任务的Transformer网络(M2TNet)预测模型的风电功率多步预测方法，解决了多源异构数据的风电功率多步预测问题，并改善了已有的模型性能，不仅能提升已有模型的预测准确率而且能降低其时间复杂度。

为实现上述目的，按照本发明的一个方面，提供了一种基于多模态多任务的Transformer网络的风电功率多步预测方法，包括：

设计深度的M2TNet预测模型；

收集K种多源异构数据并利用最大信息系数分析进行变量选择，将S种优选变量作为M2TNet预测模型的输入，S≤K；

对S种优选变量进行归一化处理得到样本数据，将样本数据划分为训练集和测试集；

采用人工经验和网格搜索的方式并结合模型训练的效果来确定M2TNet模型的超参数；

保存最佳训练效果的参数模型，利用测试集的数据进行风电功率多步预测；

对预测结果进行反归一化得到风电功率预测值，并结合评价指标对预测结果进行分析。

在一些可选的实施方案中，所述M2TNet预测模型具有特征提取层、特征融合层和预测终端层；其中，特征提取层采用带有多个Transformer单元并联的多分支结构；特征融合层为一层普通全连接网络；预测终端层为一个回归层。

在一些可选的实施方案中，设计深度的M2TNet预测模型，包括：

第一阶段：利用多个特征提取器分别从各种历史特征中提取出高阶特征，其中，Transformer单元作为特征提取器；

第二阶段：采用多模态学习策略，对来自不同历史特征的高阶特征进行融合，形成含有更丰富信息的统一特征；

第三阶段：采用多任务学习策略，基于统一特征预测风电功率序列。