本技术介绍了一种应用改进型Bert算法的长期风电功率预测技术。该技术首先对风电数据集中的异常值和时间序列进行预处理,然后通过全连接层和卷积网络提取特征,最后利用改进的Bert模型进行功率预测,以提高预测准确性和效率。
背景技术
风力发电是一种可再生能源,有助于减缓对化石燃料的依赖,并推动可持续发展。但是,风力发电受天气和季节的影响极大,从而导致发电功率不稳定。因此,风电功率的预测具有非常重要的应用价值。风电功率预测可以根据预测时间范围被分为超短期(30分钟以内)、短期(30分钟—6小时)、中期(6小时—1天)和长期(1天以上)。长期风电功率预测能够有效促进风能等可再生能源的整合,确保其在能源系统中发挥更大的作用,促进能源转型。对于电力调度而言,长期风电功率预测为电力调度计划提供了重要的支撑信息。
最近,深度学习被广泛应用于时间序列预测任务中,其中基于Transformer的模型受益于自注意力机制,在长时间序列预测任务中表现出色。自注意力机制能够更好地注意到输入序列中相关性较高的部分,从而有效地捕捉长距离依赖。
然而,原始的自注意力机制模块的时间复杂度非常高,其时间复杂度为O(n2
)。本发明提出的改进Bert模型,能够将时间复杂度降低至O(n log n),同时提高预测的准确率。
实现思路