[发明专利]基于风流场时空图像学习的风电功率预测系统及预测方法

权利要求书

1.一种基于风流场时空图像学习的风电功率预测方法，其特征在于：该方法基于风流场时空图像学习的风电功率预测系统，该系统包括风电转换计算模块和风电预测计算模块；所述的风电转换计算模块基于卷积转换模型，利用风流场时空图像作为输入，提取隐层特征图并计算出当前1～4小时的风电功率输出值；风电预测计算模块基于卷积预测模型，结合当前1～4小时的风电功率输出值，预测未来提前1小时的风电功率预测结果；所述的风电转换计算模块和风电预测计算模块通过风电转换计算模块的隐层特征图作为风电预测计算模型的输入数据，以实现风电转换计算模块和风电预测计算模块的连接；基于此，风电转换计算模块将转换风电功率过程中提取的隐层特征图输入至风电预测计算模块；风电预测计算模块利用隐层特征图作为输入，实现提前1小时风电功率预测功能；该方法包括以下步骤：

步骤1：以经纬度分辨率1/500度作为一个像素点，记录风电站址的经纬度位置信息，并采集各风电站当前1～4小时的风速风向数据，利用风矢量的长度和方向分别表示风速和风向，绘制风流场的空间图像，4个小时的空间图像构成风流场时空图像；

步骤2：基于卷积神经网络原理，以单个小时的风流场空间图像作为输入、实时风电功率作为输出，构建卷积转换模型，使用转换误差作为监督学习指标，训练卷积转换模型；

步骤3：选取当前1～4小时的卷积转换模型的隐层特征图作为输入、提前1小时待预测风电功率作为输出，基于双层循环通道及注意力连接机制原理，构建卷积预测模型，使用预测误差作为监督学习指标；

步骤4：基于权值共享策略实现卷积转换模型和卷积预测模型的组合，设置转换误差和预测误差的加权比为0.1:1，训练卷积转换-卷积预测组合模型；

步骤5：基于任意时刻的风流场时空图像输入，利用卷积预测模型实现不同风电站址的风电功率预测，并计算预测误差校验模型准确性。

2.根据权利要求1所述的一种基于风流场时空图像学习的风电功率预测方法，其特征在于，步骤2中所述构建卷积转换模型，其包括如下实现步骤：

步骤2.1：以风流场时空图像作为输入、实时风电功率作为输出，其计算公式为：

式中，表示卷积转换模型在t时刻的实时风电转换功率输出，X⁰(t)和v(t)表示t时刻的风流场空间图像和风速值，f_C为卷积转换模型的卷积计算函数，P_max为风电站的最大输出功率，v_cut-in、v_cut-out和v_rated表示风电机组的切入风速、切出风速和额定风速；

步骤2.2：使用转换误差作为卷积转换模型的监督学习指标，实现模型训练，其计算公式为：

式中，J_C为转换误差，P_i(t)和分别表示第i条样本在t时刻的实际风电功率和转换风电功率；n_s为样本个数，取决于风电站运行期间采集的历史数据总量。