基于STAN的风力发电预测(Python代码实现)

💥💥💥💞💞💞欢迎来到本博客❤️❤️❤️💥💥💥
🎉作者研究:🏅🏅🏅本科计算机专业,研究生电气学硕主要研究方向是电力系统和智能算法、机器学习和深度学习。目前熟悉python网页爬虫、机器学习、群智能算法、深度学习的相关内容。希望将计算机和电网有效结合!⭐️⭐️⭐️
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者,博主专门做了一个专栏目录,整个专栏只放了一篇文章,足见我对其重视程度:博主专栏目录。做到极度细致,方便大家进行学习!亲民!!!还有我开了一个专栏给女朋友的,很浪漫的喔,代码学累的时候去瞧一瞧,看一看:女朋友的浪漫邂逅。有问题可以私密博主,博主看到会在第一时间回复。
📝目前更新:🌟🌟🌟电力系统相关知识,期刊论文,算法,机器学习和人工智能学习。
🚀支持:🎁🎁🎁如果觉得博主的文章还不错或者您用得到的话,可以关注一下博主,如果三连收藏支持就更好啦!这就是给予我最大的支持!

                          

                                    🎉🎉欢迎您的到来🎉🎉

                     ⛅⛅⛅ 📃个人主页:电力系统科研室🌈🌈🌈

                    📚📚📚📋专栏目录:电力系统与算法之美👨‍💻👨‍💻👨‍💻

                           

【现在公众号名字改为:荔枝科研社】

👨‍🎓博主课外兴趣:中西方哲学,送予读者:

👨‍💻做科研,涉及到一个深在的思想系统,需要科研者逻辑缜密,踏实认真,但是不能只是努力,很多时候借力比努力更重要,然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学,什么是电的时候,不要觉得这些问题搞笑,哲学就是追究终极问题,寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。在我这个专栏记录我有空时的一些哲学思考和科研笔记:科研和哲思。建议读者按目录次序逐一浏览,免得骤然跌入幽暗的迷宫找不到来时的路,它不足为你揭示全部问题的答案,但若能让人胸中升起一朵朵疑云,也未尝不会酿成晚霞斑斓的别一番景致,万一它居然给你带来了一场精神世界的苦雨,那就借机洗刷一下原来存放在那儿的“真理”上的尘埃吧。

     或许,雨过云收,神驰的天地更清朗…….🔎🔎🔎

📋📋📋本文目录如下:⛳️⛳️⛳️

目录

1 概述

2 数学模型 

3 仿真结果

4 Python代码及文章讲解 

5 写在最后

1 概述

【摘要】:风电是最重要的可再生能源之一,准确的风电预测对于可靠、经济的电力系统运行和控制策略具有重要意义。本文为一种具有时空注意力网络 (STAN) 的新型风力发电预测框架。该模型捕捉风电场之间的空间相关性和风电时间序列的时间依赖性。首先,我们采用多头自注意力机制来提取风电场之间的空间相关性。然后,具有全局注意机制的序列到序列 (Seq2Seq) 模型捕获时间依赖性。最后,实验结果表明,我们的模型比其他基线方法取得了更好的性能。

风力发电在全球电网中发挥着非常重要的作用。由于其可变性和随机性,很难建立模型并准确预测风力发电[1]。我们不仅需要捕捉时间序列的时间依赖关系,还需要构建目标风电场和其他一些风电场之间的空间相关性。风电功率预测引起了研究人员的极大关注。一些研究人员使用统计方法进行短期风电预测。统计模型包括历史平均(HA)方法和自回归移动平均(ARMA)方法[2]。 ARMA 是最著名的基于时间序列的风电未来价值预测方法,研究人员尝试了一些 ARMA 变体(如 ARIMA)以获得更好的预测性能。然而,这些方法受到目标时间序列是平稳随机过程的假设的限制[3]。不幸的是,风力发电与现实世界中的这一假设不符。

此外,长短期记忆 (LSTM) [5] 和门控循环单元 (GRU) [6] 是 RNN 的两个特殊变体。一方面,这些方法在包括自然语言处理(NLP)和时间序列预测在内的许多领域都取得了成功。另一方面,使用这些方法的缺点是它们没有充分考虑风电场之间的空间依赖性。在神经网络中,卷积神经网络 (CNN) 模型被有效地用于对图像分类、视觉识别和交通流预测的空间依赖性进行建模 [7]。然而,CNN 擅长处理具有网格状拓扑的数据,例如图像 [8]。换句话说,当我们对不同风电场之间的非欧几里得相关性进行建模时,CNN 并不能很好地工作。

2 数学模型 

上下文向量从编码器捕获相关信息以预测未来值。 Seq2Seq 模型和具有注意机制的 Seq2Seq 模型之间的区别在于,注意机制会动态计算每个时间戳的上下文向量。计算为编码器所有隐藏状态的加权平均值,如下所示:

                                            c_{k}=\sum_{j=1}^{T} a_{k j} h_{j} 

其中a_{kj} 是权重向量 a_{t}∈ℝ1× 的一个元素,a_{kj}​计算如下:

                       a_{k j}=\frac{\exp \left(\operatorname{score}\left(s_{k}, h_{j}\right)\right)}{\sum_{j=1}^{T} \exp \left(\operatorname{score}\left(s_{k}, h_{j}\right)\right)}

详细数学模型见第4部分。

3 仿真结果

4 Python代码及文章讲解 

全部代码及文章讲解点这里:🍞正在为您运送作品详情

5 写在最后

部分理论引用网络文献,若有侵权请联系博主删除。 


版权声明:本文为weixin_46039719原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。