[发明专利]考虑多风电机组之间复杂联系的超短期功率预测方法

权利要求书

1.考虑多风电机组之间复杂联系的超短期功率预测方法，其特征在于，包括以下步骤：

S1、通过经验模态分解方式进行风电功率分解；

S2、在步骤S1的基础上，通过时间模式注意力机制进行不同风机功率特征提取；

S3、在步骤S2的基础上，通过双向长短时记忆神经网络实现多风机功率预测。

2.如权利要求1所述的考虑多风电机组之间复杂联系的超短期功率预测方法，其特征在于，步骤S1具体如下：

首先，确定信号的极大值包络线e_max(t)以及极小值包络线e_min(t)，并求出上下包络线的平均值m(t)；

其次，从信号x(t)中减去m(t)，得到h(t)；

h(t)＝x(t)-m(t) (2)

然后判断h(t)是否是IMF，若不是，则重复上述步骤直到h(t)满足判据为止，此时的h(t)即为所需提取的IMF，记为C_i(t)；

最后，每得到一阶IMF，就从原信号中扣除，重复以上步骤直至剩余部分r_n(t)为单调序列；因此，原始信号可表示为

3.如权利要求2所述的考虑多风电机组之间复杂联系的超短期功率预测方法，其特征在于，步骤S2具体如下：

对原始时间序列用BiGRU处理，得到的h_t-w—h_t表示BiGRU对应不同时间输入得到的隐藏状态向量，w为时间序列长度；定义隐状态矩阵H＝{h_t-w,h_t-w+1,...,h_t-1}，该隐状态列向量表示同一时间步下BiGRU内部门神经元参数构成的变量，行向量表示单个变量在所有时间步下的状态；

隐状态矩阵H上不同矩阵表示不同的一维卷积核，利用一维卷积沿着H的m个特征卷积，提取可变信号模型的时间模式矩阵H^C；

式中：C_j表示第j个长度为T的滤波器，T表示需要注意的最大长度，×表示卷积运算；一维滤波器的卷积核有k个，每个卷积核都沿着隐状态矩阵的行向量卷积；定义如下注意力机制函数来计算相关性：

式中：是H^C的行向量；W_a为m×k的权重矩阵；利用得到的α_i与H^C加权求和，获得注意力向量v_t：

将v_t与h_t线性映射后相加获得最终预测值：

h′_t＝W_hh_t+W_vv_t (9)

y_t-1+Δ＝W_h′h′_t (10)。

4.如权利要求3所述的考虑多风电机组之间复杂联系的超短期功率预测方法，其特征在于，步骤S3具体如下：

BiGRU输出表达式为

h_t＝concat(h_tf,h_tb) (4)

式中：h_t表示BiGRU的隐藏状态向量；concat表示在输出维度进行拼接操作；h_tf，h_tb分别表示前向和后向GRU的隐藏状态向量；

通过将正向序列反向后送作为后向GRU的输入，可同时训练两个神经网络；前向GRU利用过去的信息预测未来的信息，后向GRU利用未来的信息预测过去的信息，输出结果由这两个网络的输出共同决定。