[发明专利]基于时空特性融合的卷积神经网络进行风电功率预测方法

权利要求书

1.基于时空特性融合的卷积神经网络进行风电功率预测方法，其特征在于，包括以下步骤：

步骤一，构建多特征模型，提取与风相关信息的时空特征，并将这些时空特征融合到一起，共同作为卷积神经网络模型的输入；

步骤二，构建卷积神经网络模型，拟合风能数据变化的趋势，结合步骤一中得到的时空特征进行风能预测；

步骤三，分别选取涡轮机分布稠密和稀疏的两片区域作为数据集以进行实验；

步骤四，通过选取均方误差、均方根误差和峰值信噪比指标验证本发明的有效性。

2.根据权利要求1所述基于时空特性融合的卷积神经网络进行风电功率预测方法，其特征在于，步骤一中具体步骤如下：在一段连续的时间内，选取10分钟的时间间隔，将涡轮机收集到的每种与风相关的信息都通过时空特征的构造方法，构造成二维图像，将上述二维图像按照时间序列排序；在二维图像时间序列的组合中，每张二维图像独立表示空间信息，一张以上二维图像时间序列的组合表示时间信息；因此，上述二维图像时间序列的组合能够综合全面的表达区域内的时空信息；最后将二维图像时间序列组合连接起来，共同作为构造的卷积神经网络模型的输入。

3.根据权利要求1所述基于时空特性融合的卷积神经网络进行风电功率预测方法，其特征在于，步骤二具体包括以下步骤：

(301)接收到二维图像时间序列组合后，进行卷积，充分提取特征；

(302)通过一个池化层，提取深度特征，缩小图像的大小；

(303)进行多层卷积；在每一层卷积后，保存当时的输出结果；

(304)将每一层卷积的输出结果进行整合，用全连接将每一层卷积后保存的输出结果连接起来，然后与一个全连接的神经网络连接，将深层特征映射到各涡轮的输出端；

(305)与一个全连通层连接，重新塑造为二维图像，并逐个将输出图像与输入图像的像素进行映射。

4.根据权利要求1所述基于时空特性融合的卷积神经网络进行风电功率预测方法，其特征在于，步骤三中在特征选取方面，结合提出的卷积神经网络模型，选取十分钟为间隔提取历史特征以进行实验。