本发明涉及人工智能，特别是一种超短期风功率预测方法及系统。
背景技术：
1、在当前社会，随着数据科学和人工智能的迅猛发展，各行业纷纷将大数据和智能算法应用于解决各种复杂问题，尤其在可再生能源领域，如风电场，对风速和风功率的准确预测变得日益关键，这一趋势源于对可再生能源的日益依赖，以及对能源供应的可靠性和稳定性的不断追求，在这个背景下，精准的超短期风功率预测技术成为提高电网运行效率和优化能源利用的重要手段之一。因此，数据科学与人工智能技术在可再生能源领域的应用逐渐受到关注和重视，为解决风电场等可再生能源的挑战提供了新的机遇和可能性。
2、现有的超短期风功率预测方法往往存在一些缺陷，传统的预测模型在处理风速数据时可能忽略了数据中的异常值和缺失值，导致预测结果不够准确，另外，现有方法可能缺乏对复杂数据结构的有效处理，导致预测精度不高，本发明采用了改进的自适应噪声完备集成经验模态分解模型、残差注意力机制和淘金优化算法等技术手段，解决了上述问题，提高了超短期风功率预测的准确性和可靠性。
技术实现思路
1、鉴于现有的超短期风功率预测方法及系统中存在的问题，提出了本发明。
2、因此，本发明的目的是提供一种超短期风功率预测方法及系统，针对现有技术在处理风速数据时忽略异常值和缺失值，以及对复杂数据结构处理不足的问题，本发明采用了四分位法过滤和改进的自适应噪声完备集成经验模态分解模型等技术手段进行解决。
3、为解决上述技术问题，本发明提供如下技术方案：
4、第一方面，本发明实施例提供了一种超短期风功率预测方法，其包括，获取风电场的原始数据集并进行处理，基于处理后的原始数据进行训练；
5、采用改进的自适应噪声完备集成经验模态分解模型，对训练后原始数据中的风速数据进行分解，计算各分解分量，并基于计算结果构建特征矩阵；
6、引入残差注意力机制对特征矩阵进行重构，利用重构后的结果建立网络模型并进行二次训练，对超短期风功率进行预测。
7、作为本发明所述超短期风功率预测方法的一种优选方案，其中：所述处理包括采用四分位法对原始数据集进行过滤，所述过滤包括去除原始数据集的异常值和缺失值，具体步骤如下：
8、计算原始数据集中数据序列x＝{x1,x2,...,xn}的第二个四分位数q2，若n＝2k+1时，则q2位于数据序列的中间位置，若n＝2k时，则计算第一个四分位数q1、第二个四分位数q2和第三个四分位数q3，具体计算公式为：
9、
10、其中，若k＝0,1,2,·…·时，则n＝2k+1，q2位于中间位置，若k＝1,2,·…·时，则n＝2k，此时中间两个数的平均值为q2；
11、所述去除原始数据集的异常值和缺失值包括根据第三个四分位数q3与第一个四分位数q1的差值去定义iqr，基于定义结果iqr计算差值上下限，所述差值的具体计算公式为：
12、iqr＝q3-q1
13、其中，第1个四分位数q1和第3个四分位数q3，通过上限w1与下限w2来剔除数据中的而异常值；
14、所述计算差值上下限的具体计算公式为：
15、[w1,w2]＝[q1-1.5iqr,q3+1.5iqr]
16、其中，q3表示第三个四分位数q3，q1表示第一个四分位数，q2表示第二个四分位数。
17、作为本发明所述超短期风功率预测方法的一种优选方案，其中：所述风速数据进行分解包括采用iceemdan算法对风速数据分解为n个imf分量，计算各imf分量的熵值，构建原始气象数据，具体计算步骤如下：
18、将原始数据集中的数据序列构建m维向量，具体构建公式为：
19、y(t)＝[y(t),y(t+1),·…·,y(t-m+1)]
20、其中，m表示嵌入维数，t表示次数，y(t)表示向量；
21、根据构建的向量y(t)定义向量y(j)和y(k)，并计算向量y(t)和向量y(j)之间的距离d[y(t),y(j)]，具体计算公式为：
22、
23、其中，y(j)为第j维向量，z表示参数，d[y(t),y(j)]表示向量y(t)和向量y(j)之间的距离值；
24、统计y(t)和y(k)之间距离小于r的个数与距离总数n-m的比值其中，r＝[0.1*std 0.25*std]，比值的具体计算公式为：
25、
26、其中，表示y(t)和y(k)之间的比值，m和n表示变量；
27、将比值进行循环计算，得到bm+1(t)，根据和bm+1(t)计算各imf分量的熵值，具体计算公式为：
28、
29、其中，m表示嵌入维数，r＝[0.1*std 0.25*std]。
30、作为本发明所述超短期风功率预测方法的一种优选方案，其中：所述残差注意力机制包括分配原始气象数据权重，根据分配结果计算残差连接，引入残差连接对特征矩阵进行优化；
31、所述计算残差连接的具体公式为：
32、
33、其中，x表示原始气象数据矩阵，和表示可更新权重矩阵，和为可更新权重矩阵对应的偏置项，δ表示relu激活函数，σ表示sigmoid函数；
34、所述引入残差连接对特征矩阵进行优化的具体计算公式为：
35、xxin＝a⊙x
36、xatt＝x+xxin
37、其中，⊙表示hadamard积，xxin表示添加注意力权重后的特征矩阵。
38、作为本发明所述超短期风功率预测方法的一种优选方案，其中：所述重构包括利用淘金优化算法构成矩阵mgp，确定初始淘金者的搜索代理位置，根据当前的搜索代理位置迁移到新位置；
39、所述矩阵mgp的具体计算公式为：
40、
41、其中，xij表示探矿者i在第j维的位置，d表示维度大小，n表示金矿勘探者的数量；
42、所述迁移包括初始淘金者根据矩阵mgp计算获取迁移新位置，具体计算公式为：
43、
44、其中，表示迭代次数t的金矿位置，表示迭代次数t的金矿勘探者的位置。
45、作为本发明所述超短期风功率预测方法的一种优选方案，其中：所述建立网络模型包括引入tent混沌映射和非线性惯性权重因子对淘金优化算法的种群位置进行排列，所述tent混沌映射的具体计算公式为：
46、
47、其中，a∈(0,1)，xn表示矩阵mgp内的搜索代理位置。
48、作为本发明所述超短期风功率预测方法的一种优选方案，其中：所述非线性惯性权重因子包括对排列后的位置进行迭代，具体计算公式为：
49、
50、当w的值逐渐增大时，寻优个体受当前淘金者位置影响能力和局部搜索能力变强；
51、所述二次训练包括利用迭代结果计算迭代收敛速度，完成超短期风功率预测，所述计算迭代收敛速度的具体计算公式为：
52、
53、其中，表示金矿探索者r的位置，w表示非线性惯性权重因子，--表示迭代次数t的最优金矿位置，根据不同迭代位置对超短期风功率进行预测。
54、第二方面，本发明实施例提供了一种超短期风功率预测方法及系统，其包括：训练模块，其获取风电场的原始数据集，对所述原始数据集进行处理，基于处理后的原始数据进行训练；
55、计算模块，通过采用改进的自适应噪声完备集成经验模态分解模型，对训练后原始数据中的风速数据进行分解；
56、预测模块，其利用重构后的结果建立网络模型并进行二次训练，对超短期风功率进行预测。
57、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现上述的超短期风功率预测方法的任一步骤。
58、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现上述的超短期风功率预测方法的任一步骤。
59、本发明有益效果为：本发明通过采用四分位法过滤异常值和缺失值，引入残差注意力机制和淘金优化算法优化了特征矩阵重构和网络模型建立过程，使得模型更好地捕捉风速数据的特征，并有效减少了预测误差，此外，使用tent混沌映射和非线性惯性权重因子对优化算法的种群位置进行排列，进一步提高了算法的搜索效率和收敛速度。本发明不仅提升了超短期风功率预测的精度和可靠性，还在优化算法方面取得了显著的进步，为风电场等可再生能源的稳定供电和电网运行提供了有效的支持。
1.一种超短期风功率预测方法，其特征在于：包括，
2.如权利要求1所述的超短期风功率预测方法，其特征在于：所述处理包括采用四分位法对原始数据集进行过滤，所述过滤包括去除原始数据集的异常值和缺失值，具体步骤如下：
3.如权利要求2所述的超短期风功率预测方法，其特征在于：所述风速数据进行分解包括采用iceemdan算法对风速数据分解为n个imf分量，计算各imf分量的熵值，构建原始气象数据，具体计算步骤如下：
4.如权利要求3所述的超短期风功率预测方法，其特征在于：所述残差注意力机制包括分配原始气象数据权重，根据分配结果计算残差连接，引入残差连接对特征矩阵进行优化；
5.如权利要求4所述的超短期风功率预测方法，其特征在于：所述重构包括利用淘金优化算法构成矩阵mgp，确定初始淘金者的搜索代理位置，根据当前的搜索代理位置迁移到新位置；
6.如权利要求5所述的超短期风功率预测方法，其特征在于：所述建立网络模型包括引入tent混沌映射和非线性惯性权重因子对淘金优化算法的种群位置进行排列，所述tent混沌映射的具体计算公式为：
7.如权利要求6所述的超短期风功率预测方法，其特征在于：所述非线性惯性权重因子包括对排列后的位置进行迭代，具体计算公式为：
8.一种超短期风功率预测系统，基于权利要求1～7任一所述的超短期风功率预测方法，其特征在于：包括，
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述的超短期风功率预测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述的超短期风功率预测方法的步骤。
