[发明专利]一种基于深度学习的短期风功率预测方法

权利要求书

1.一种基于深度学习的短期风功率预测方法，其特征在于，包括以下步骤：

步骤1：通过计算机输入一些相关天气特征因素，包括历史风功率数据以及风速风向，并对获取的数据进行预处理；

步骤2：采用一维卷积神经网络对步骤1预处理后的数据进行特征提取，挖掘隐含在数据中的潜在特征，并形成特征图谱；

步骤3：采用深度门控循环单元神经网络对步骤2中得到的特征图谱进行训练建模，通过不断优化调参后建立特征图谱与风电场功率之间的非线性关系，生成短期风功率预测模型；

步骤4：利用训练建立的短期风功率预测模型，对所需预测的风电场进行一段时间的风功率预测，并产生该风电场的风功率预测结果；

步骤5：通过计算机输出风功率预测结果。

2.根据权利要求1所述的一种基于深度学习的短期风功率预测方法，其特征在于，所述短期风功率预测模型表示如下公式：

其中，为模型的输出量，即t时刻风功率的预测值；p_t作为模型的输入量，是一段历史风功率数据；s_t,d_t,u_t,v_t也是模型的输入，分别为t时刻风速、风向、风的经度分量和纬度分量在数值天气预报中的预测值。

3.根据权利要求1所述的一种基于深度学习的短期风功率预测方法，其特征在于：在步骤1中，对输入数据进行预处理的方法为min-max归一化法。

4.根据权利要求1所述的一种基于深度学习的短期风功率预测方法，其特征在于：在步骤2中的一维卷积神经网络，通过卷积层中的特征探测器的平移卷积运算来产生与之对应的特征图谱，且随着卷积层的堆叠输入数据中的深层特征将被提取并学习。

5.根据权利要求1所述的一种基于深度学习的短期风功率预测方法，其特征在于：在步骤3中的深度门控循环单元深度神经网络是循环神经网络的一种新型变体，当前时刻的输出h_t不仅取决于当前时刻的输入x_t，还取决于前一时刻的隐含层状态量h_t-1，其中，所述深度门控循环单元深度神经网络包含重置门和更新门两个关键结构，分别用r_t与z_t表示，每个门都是一个简单的神经网络，为了使门的输出固定在0到1之间，神经网络的激活函数采用Sigmoid函数，为经过重置门处理后的输出候选值；

所述深度门控循环单元深度神经网络的参数迭代更新方式用公式表示为：

r_t＝σ(W_rhh_t-1+W_rxx_t)

z_t＝σ(W_zhh_t-1+W_zxx_t)

其中W_rh与W_rx表示为重置门中的参数，W_zh与W_zx为更新门中的参数，W_hh和W_hx代表求取输出候选值过程中的参数，运算符表示进行数组元素依次相乘，σ表示sigmoid函数；重置门r_t能够控制当前输入x_t与之前时刻状态h_t-1的结合方式，更新门z_t决定着有多少前一时刻的状态信息能够进入当前的时刻。

6.根据权利要求1所述的一种基于深度学习的短期风功率预测方法，其特征在于：通过构建深层网络结构来获取数据中更深层次的特征，其中一维卷积神经网络为两层，深度门控循环单元神经网络层数为三层。

7.根据权利要求1所述的一种基于深度学习的短期风功率预测方法，其特征在于：所述短期风功率预测模型采用的梯度优化算法为适应性矩估计算法，模型中采用dropout方法来减少训练过程中的过拟合现象。