[发明专利]一种基于深度学习的超短时风功率预测方法

权利要求书

1.一种基于深度学习的超短时风功率预测方法，其特征在于，包括以下步骤：

步骤1：从风场获取风机功率历史信息以及包括风速、风向、温度、湿度构成的气象特征形成数据表；

步骤2：补全数据表中缺失的风功率参数，具体步骤如下：

步骤2.1：筛选出风功率小于阈值p的数据作为风机故障数据；

步骤2.2：搭建三层由全连接层组成的神经网络模型；

步骤2.3：设定神经网络的参数，包括第一层全连接层的输出通道数l1、第二层全连接层的输出通道数l2、第三层全连接层的输出通道数l3、各全连接层的输入层数n_in和各全连接层的输出层数n_out，初始化神经网络的权重在的范围内均匀分布；

步骤2.4：采用梯度下降法更新神经网络模型需要学习的参数，即权重w和偏差b；

步骤2.5：将数据批次设置为batch₁，训练次数设置为maxt-iters，对神经网络模型进行训练，并保存maxt-iters次训练的神经网络模型；

步骤2.6：计算maxt-iters次神经网络模型输出值的准确率acc，将准确率最高的神经网络模型输出；

步骤2.7：将风机故障数据中的气象特征输入到输出的神经网络模型中，将输出的出风功率补全到数据表中；

步骤3：搭建基于序列对序列的风功率预测模型，具体步骤如下：

步骤3.1：以时间t为单位，将数据表中的数据分割成多组长度为l的序列，第一组序列中的温度、湿度以及该时刻的风功率作为输入特征，下一组序列中的风功率作为输出特征，随机分配训练集，测试集比例为k1∶k2；

步骤3.2：对数据表中的数据进行归一化预处理；

步骤3.3：搭建编码模型和译码模型并生成预测值；

步骤3.4：搭建风功率预测模型的损失函数loss₂：

步骤3.5：采用梯度下降法更新风功率预测模型需要学习的参数，即权重W和偏差B；

步骤3.6：将批次设置为batch₂，最大迭代次数设置为iters_max，对风功率预测模型进行训练，并保存iters_max次训练的风功率预测模型；

步骤3.7：计算iters_max次风功率预测模型的测试误差accuracy，将测试误差最小的风功率预测模型输出，用于预测风功率。

2.根据权利要求1所述的基于深度学习的超短时风功率预测方法，其特征在于，所述步骤2.4和步骤3.5中更新模型参数的公式如下：

其中，θ_iters+1为第iters+1次迭代的模型参数，α为学习率，ε为常量，g_iters为第iters次迭代的梯度，E[g²]_iters为第iters次迭代的参数梯度平方值；所述第iters次迭代的梯度g_iters和参数梯度平方值E[g²]_iters的计算公式如下：

其中，ρ为衰减速率。

3.根据权利要求1所述的基于深度学习的超短时风功率预测方法，其特征在于，所述步骤3.2中对数据进行归一化预处理的公式如下：

其中，inputs_mean为输入数据的均值，N为输入数据的个数，inputs_i为输入的第i个数据，inputs_std为输入数据的标准差，Y_mean为输出数据的均值，Y_i为输出的第i个数据，Y_std为输出数据的标准差。

4.根据权利要求1所述的基于深度学习的超短时风功率预测方法，其特征在于，所述步骤3.3包括以下步骤：

步骤3.3.1：搭建由k个LSTM模块组成的编码模型学习序列信息，并将编码模型的隐藏层层数设置为k3，各隐藏层输出通道数设置为k4；

所述LSTM模块具体计算公式如下：

h_n＝o_n⊙tanh(W_hc_n+B_h)；

i_n＝σ(W_i[inputs_n-1；h_n-1]+B_i)；

f_n＝σ(W_f[inputs_n-1；h_n-1]+B_f)；

o_n＝σ(W_o[inputs_n-1；h_n-1]+B_o)；

其中，inputs_n表示第n层编码模型的输入，h_n表示第n层编码模型隐藏层的输出，c_n为第n层的记忆单元，i_n、f_n和o_n均为第n层的门控开关，W_h、W_c、W_i、W_f、W_o分别为模型输出h、记忆单元c、门控开关i、f、o的权重，B_h、B_c、B_i、B_f、B_o分别为模型输出h、记忆单元c、门控开关i、f、o的偏差，σ为sigmoid函数，为中间变量；所述sigmoid函数σ的的计算公式如下：

步骤3.3.2：将编码模型最后一个时间序列作为解码模型第一个时间序列隐藏层的输入，搭建由k个LSTM模块组成的解码模型；

步骤3.3.3：将解码模型每一序列隐藏层最后一层输出与权重W相乘，得到解码模型的预测值，即Wx+B，其中，权重初始方式为服从N(0，1)的正态分布。