[发明专利]一种基于时空分位数回归的区域风电预测方法及系统

权利要求书

1.一种基于时空分位数回归的区域风电预测方法，其特征在于，步骤如下：

采集多个风电场预设时间段内的运行数据和天气预报数据，将采集到的数据转换为特征图，建立训练集、验证集和测试集；其中，将采集到的数据转换为特征图，具体为：计算每个风电场与区域风电之间的相关性，选择相关系数最大的风电场作为基础，并根据每个风电场与基础风电场之间的距离按降序排列，生成特征图；

建立时空分位数回归模型，利用训练集对模型进行训练，利用验证集诊断模型适应性并优化模型超参数，利用测试集对模型进行可靠度和锐度评价，根据评价结果进一步优化模型；

实时采集各个风电场的运行数据和环境数据，根据优化好的时空分位数回归模型进行未来一定时间段内的区域风力发电预测。

2.如权利要求1所述的基于时空分位数回归的区域风电预测方法，其特征在于，所述多个风电场预设时间段内的运行数据和天气预报数据为任何与风力发电相关的数据，包括各个风电场的发电功率、风向、风速、温度、湿度和气压。

3.如权利要求1所述的基于时空分位数回归的区域风电预测方法，其特征在于，一系列连续时间的特征图作为一组输入特征图，用时间连续的特征图反映风电场之间空间的相对位置和时间的相关性。

4.如权利要求1所述的基于时空分位数回归的区域风电预测方法，其特征在于，时空分位数回归模型包括混合神经网络和分数位回归算法，利用混合神经网络提取具有代表性的特征图，构建非线性回归模型；根据分位数回归算法使构建的非线性回归模型获得分位数，通过梯度增强估计出时空分位数回归模型，实现对区域风力发电进行概率预测。

5.如权利要求4所述的基于时空分位数回归的区域风电预测方法，其特征在于，所述混合神经网络为卷积神经网络与长短时记忆神经网络相结合的串行神经网络，所述卷积神经网络包括输入层、卷积层、池化层、连接层和输出层；

特征图穿过输入层进入卷积层，与卷积核进行卷积，卷积层输出卷积结果到池化层，所述池化层采用最大池法对卷积结果通过采样进一步降维和特征提取；

经过卷积层和池化层的处理，将输入特征提取转化为高级信息特征，利用连接层对高级信息特征进行分类，通过输出层将分类后的高级信息特征输出到长短时记忆神经网络进行优化，得到最终识别结果。

6.如权利要求5所述的基于时空分位数回归的区域风电预测方法，其特征在于，所述卷积神经网络由两个卷积层和两个池化层建模，两个卷积层的卷积核数依次为16和32，格式为4×4，池化层内核设计为2×2，通过卷积和池化，将高级信息特征提取到长短时记忆神经网络中，进行优化后得到最终预测结果。

7.一种基于时空分位数回归的区域风电预测系统，其特征在于，包括：

数据采集和预处理模块，被配置为：采集多个风电场预设时间段内的运行数据和天气预报数据，将采集到的数据转换为特征图，建立训练集、验证集和测试集；其中，将采集到的数据转换为特征图，具体为：计算每个风电场与区域风电之间的相关性，选择相关系数最大的风电场作为基础，并根据每个风电场与基础风电场之间的距离按降序排列，生成特征图；

模型构建模块，被配置为：建立时空分位数回归模型，利用训练集对模型进行训练，利用验证集诊断模型适应性并优化模型超参数，利用测试集对模型进行可靠度和锐度评价，根据评价结果进一步优化模型；

预测模块，被配置为：实时采集各个风电场的运行数据和环境数据，根据训练和优化好的时空分位数回归模型进行未来一定时间段内的区域风力发电预测。

8.一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，该程序被处理器执行时实现如权利要求1-6任一项所述的基于时空分位数回归的区域风电预测方法中的步骤。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述的基于时空分位数回归的区域风电预测方法中的步骤。