基于健康评估的Informer风电功率预测模型的优化方法

技术领域

本发明涉及风电功率技术领域，特别是涉及一种基于健康评估的Informer风电功率预测模型的优化方法。

背景技术

风能的波动性，造成风电的间歇性，并网后可能影响电网运行。为了保障电网安全，需要进行风电功率预测，以便及时调控。

早期基于数值天气预报(Numerical Weather Prediction)的预测方法，目前已被神经网络取代。虽然神经网络的预测精度较高，但预测速度慢、结构复杂、后期维护难度大。寻找新的预测模型，成为近年来的研究热点。Informer凭借预测速度快、模型轻量化的特点，可代替传统神经网络，进行功率预测。然而，Informer的预测精度较低，预测速度难以满足实际需求，预测性能不足之处较为明显。

针对Informer预测性能的不足，研究者从多方面进行优化。潘立群，张倩，Gong M

等优化编码流程，强化Informer的序列分析能力，提升预测精度；赵懂宇，冯霞，Yang Z

等引进对抗机制，增强Informer的抗干扰能力，提升预测精度；余琼芳，梁英杰，Zhu Q等改进采样方法，提高Informer的多元采样能力，提升预测速度。目前，大部分优化方法，不能同时提升Informer的预测精度和速度，优化效果不理想，且增加了Informer复杂度，影响其实际应用。

Informer是一种基于概率稀疏自注意力的预测模型，由Zhou Haoyi等人于2021年提出。和传统神经网络不同，Informer采用了Encoder-Decoder分离的结构。预测过程中，编码输出送入解码器处理，得到解码输出，并通过全连接层，输出预测结果。

Informer预测流程如图1所示。在Informer中，存在3个要点：

(1)自注意蒸馏操作(Self-attention Distilling Operation)：Encoder模块中，每个编码层的深度递减，输出长度随之递减，从而提取特征，并在模块结尾，将所有特征进行连接，作为Decoder模块的输入。

(2)生成式解码器(Generative Style Decoder)：Decoder模块中，使用了一种新的生成式解码器，只需要一个前向推导过程，便可获得指定长度的预测结果，有效避免了累积误差的扩散。

(3)概率稀疏自注意机制(ProbSparse Self-attention Mechanism)：基于高得分点积对贡献主要关注的结论，Informer对强相关特征进行额外关注，在自注意过程中，仅计算强相关特征部分，降低预测成本。

现有的Informer预测模型，保证一定精度和速度的同时，仍存在下列不足：

1、计算频繁：Encoder模块中，为了提升强相关特征的关注度，需要频繁进行自注意力计算，降低了预测速度；

2、解码缺陷：Decoder模块中，使用了序列占位符，进行辅助预测，且占位符和特征数据具有相同的权重。权重分配的不合理，导致预测精度下降。

3、计算复杂：Informer需要引进额外模块，或提升特征维度，从而完成自注意机制，增加了计算复杂度，减小了模型轻量化的优势。

健康评估是一种权重优化算法，由Lars Landberg于2011年提出。它依据模型输出统计学概率分布的特点，将二维的概率密度函数，转化为权重健康矩阵。

健康评估的流程如图2所示，具体为：

(1)数据采集：通过传感器和SCADA系统，采集风速、温度、压力、转速、功率等风机数据；

(2)数据清洗：针对数据中的缺失值、异常值、传输噪声，进行清洗工作，提高数据可靠性；

(3)特征筛选：从清洗后的数据中，筛选出特征数据，并基于特征数据的维度，得到健康矩阵的维度；

(4)状态分类：使用特征数据，计算特征权重，并根据权重数值高低，划分正常、轻微故障、严重故障等风机状态；

特征权重的计算如下：

式中，i是特征编号，从1到n，μ是均值向量，Σ是协方差矩阵。

(5)矩阵生成：将相同状态的特征权重，排列成健康矩阵。每个矩阵元素，代表该状态下，对应特征的权重系数。

将式(1)的特征权重，按照顺序排列，得到权重矩阵Q

对特征数据使用因子分析法，得到相关矩阵R

A

式中，n是健康矩阵维度，常取6-12。n大于12时，需要降维。

健康评估的原理如下：

假设预测模型的初始输入z

在预测模型中，第i层输入z

D

将z

式(4)中，A降低了D

因不同模型的预测流程不同，z和D对预测的影响也不同，优化后，可能提升模型的预测精度或速度。

现有健康评估算法，存在两点缺陷：

1、处理成本高：筛选特征时，需要多维度的风机数据，提高了数据采集，处理和分析的成本；

2、复杂度高：为提高评估可靠性，引入复杂的特征选取模块，增加了评估复杂度。

发明内容

针对上述要解决的技术问题，本发明提供一种基于健康评估的Informer风电功率预测模型的优化方法，实时监控，降低救援风险，缩短救援时间，提高救援成功率，确保救援工作有序进行。

为解决上述技术问题，本发明提出的技术方案为：

一种基于健康评估的Informer风电功率预测模型的优化方法，所述优化方法至少包括以下内容中的两种结合：

1)编码器优化：提升第i层的输入x

2)解码器优化：提升第L层的输入c

3)嵌入向量优化：提升模块的初始输入x

4)预测过程优化：根据模块的初始输入x

作为上述技术方案的进一步改进为：

优选地，所述编码器优化，具体为：

假设Encoder模块由多个编码层和卷积层组成，第i层的输入为x

式(5)中，Conv表示卷积层的卷积计算；Attention表示概率稀疏自注意力函数，

式(6)中，softmax表示归一化函数；

提升x

式(7)中以

优选地，所述解码器优化，具体为：

假设Decoder模块由L个解码层构成，每个解码层中，输入c

c

式中，Decoder

提升c

c

式中，h为健康因子，由健康矩阵A

优选地，所述嵌入向量优化，具体为：

Encoder模块的初始输入x

式中，x

优选地，所述预测过程优化，具体为：

嵌入向量x

健康评估对c

其中，

本发明提供的基于健康评估的Informer风电功率预测模型的优化方法，与现有技术相比，有以下优点：

(1)本发明的基于健康评估的Informer风电功率预测模型的优化方法，采用健康评估，优化Informer模型，提升预测精度和速度，首先，基于运行数据，进行健康评估，得到风机健康矩阵；然后，通过健康矩阵，优化编码方式，提升Informer的预测速度；接着，使用健康矩阵，改进解码方式、嵌入向量和预测流程，提高Informer的预测精度。

(2)本发明的基于健康评估的Informer风电功率预测模型的优化方法，基于健康评估而设计的Informer优化模型，可加速Informer收敛，提升模型的预测精度和速度。Encoder结合优化后的Informer模型，是优质的风电功率预测模型。与未优化模型比较，基于健康评估的Informer优化模型，进行风电功率预测时，数据成本更小，优化效果更好。

附图说明

图1为现有技术中Informer预测流程图。

图2为现有技术中健康评估流程图。

图3为本发明应用实施时嵌入向量结构图。

图4为本发明应用实施时优化前后

图5为本发明验证时K-C 5号机组预测效果图。

图6为本发明验证时K-C 33号机组预测效果图。

图7为本发明验证时龙源1号机组预测效果图。

图8为本发明验证时龙源12号机组预测效果图。

图9为本发明验证时5th 1-36号机组预测效果图。

图10为本发明验证时5th 2-30号机组预测效果图。

图11为本发明验证时GEFC 5号机组预测效果图。

图12为本发明验证时GEFC 6号机组预测效果图。

具体实施方式

以下对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

如图1至图4所示，本发明的基于健康评估的Informer风电功率预测模型的优化方法，包括以下内容：

1)编码器优化

假设Encoder模块由多个编码层和卷积层组成，第i层的输入为x

式(5)中，Conv表示卷积层的卷积计算；Attention表示概率稀疏自注意力函数，即

式(6)中，softmax表示归一化函数；

在x

式(7)中以

Encoder模块的优化效果论证：

式(6)中，矩阵

式中，q

p(k

式(6)和式(8)中，使用了稀疏度量为M(q

式中，L

在稀疏自注意力中，查询和键的长度相等，即L

由式(3)和式(4)得知，在式(7)中，优化后的

2)解码器优化

假设Decoder模块由L个解码层构成，每个解码层中，输入c

c

式中，Decoder

由于c

c

式中，h为健康因子，由健康矩阵A

由于提升了Decoder模块的解码精度，优化后，Informer的预测精度上升。

Decoder模块的优化效果论证：

Decoder模块的第1层输入可表示为

式中，

虽然掩蔽多头注意力的应用，防止了

采用式(11)的优化方案，等价于提高

3)嵌入向量优化

嵌入向量是指Encoder模块的初始输入x

式中，x

因嵌入向量中，强相关特征的权重提升，优化后，Informer的预测精度提高。

嵌入向量模块的优化效果论证：

假设第t个序列输入为X

式中，j∈{1,…,[d

式中，i∈{1,…,L

嵌入向量结构如图3所示。因三角函数sin，cos自带采样权重，式(14)和式(15)得到的

式(13)结合了特征分布的偏差，对嵌入向量进行优化。由式(3)和式(4)可知，优化后，由特征分布变化引起的系统误差，在后续的编码-解码过程中会逐渐减小，从而提升Informer的预测精度。

4)预测过程优化

由图2和式(3)-式(12)得知，嵌入向量x

且健康评估改为对c

其中，

因结合了特征分布的变化，优化后，Informer的预测精度上升。

预测过程的优化效果论证：

假设x

1≤e≤g

由式(3)至式(16)可知，预测过程中，不涉及强相关特征的数量增减，因此，存在下列约束条件：

f-e＝h-g＝k,k为正整数(20)

对于嵌入向量x

D

类似地，对于解码输出c

和/>

由式(16)和图3得知，x

采用式(17)和式(18)的优化方案，可以针对

k＝2时，优化前后的

5)组合优化

因为Encoder模块的优化，以速度提升为主，Decoder模块、嵌入向量和预测过程的优化，以精度提升为主。为了避免过度优化，本发明选择了Encoder-Decoder，Encoder-嵌入向量，Encoder-预测过程，共3种结合优化模型，进行训练、测试。

优化验证：

1)误差指标设置

采用R

式中，y

若优化有效，理想情况下，R

2)仿真测试

本次验证方法使用了百度KDD CUP 2022数据集、“中国软件杯”——龙源风电赛道数据集，第五届全国工业互联网数据创新应用大赛的数据集，和Global EnergyForecasting Competition 2014的Task15数据集等四个数据集。每个数据集，具有17000-21000条数据。选择未优化、Encoder优化、Decoder优化，Encoder-Decoder优化、嵌入向量优化、预测过程优化、Encoder-嵌入向量优化、Encoder-预测过程优化，共8套模型进行仿真测试。每套模型，分别进行3轮训练和6轮训练的仿真测试。数据集的前80％作为训练集，剩余20％为测试集。

为了减少量纲差异的影响，对所有预测结果进行标准化，如下所示：

式中，z

Informer模型的组件细节见表1。

表1Informer模型组件细节

采用KDD CUP数据集的预测效果如图5和图6所示。采用龙源风电数据集的预测效果如图7和图8所示。采用第五届大赛数据集的预测效果如图9和图10所示。采用GEFC 2014数据集的预测效果如图11和图12所示。

各数据集的预测结果对比见表2至表9。

表2KDD CUP 5号机组预测指标

/>

表3KDD CUP 33号机组预测指标

表4龙源风电1号机组预测指标

/>

表5龙源风电12号机组预测指标

表6 5th 1号风场36号机组预测指标

表7 5th 2号风场30号机组预测指标

/>

表8GEFC 5号机组预测指标

表9GEFC 6号机组预测指标

/>

图5-图12中，V1代表未优化的预测效果、V2代表Encoder优化的预测效果、V3代表Decoder优化的预测效果、V4代表Encoder-Decoder结合优化的预测效果、V5代表嵌入向量优化的预测效果、V6代表预测过程优化的预测效果、V7代表Encoder-预测过程结合优化的预测效果、V8代表Encoder-嵌入向量结合优化的预测效果。所有预测效果图，均在6轮训练下绘制。

由图5-图12知，除Encoder独立优化外，其余的优化模型，与未优化模型相比，预测精度均有所上升。由表2至表9可知，所提出的7种优化模型，实现了预测精度提升15％，或是预测速度提升100％中，至少一种的优化效果。并且，3种Encoder结合优化模型，均同时实现了预测精度提升15％，预测速度提升100％的优化效果。此外，所选的结合优化模型，只需要一半的训练轮数，其预测精度就已接近，或是超过未优化的模型。这说明基于健康评估进行的Informer优化，是合理且有效的。Encoder结合优化的Informer模型，是优质的风电功率预测模型。

上述实施案例只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。