[发明专利]一种基于深度学习的风电功率短期预测方法

权利要求书

1.一种基于深度学习的风电功率短期预测方法，其特征在于，包括以下步骤：

步骤1：收集风电功率预测所需数据集并进行预处理；

步骤2：针对风电数据不同变量，采用标准方法进行归一化处理；

步骤3：对风电数据不同变量之间的相关性进行分析；

步骤4：深度神经网络结构设计；

步骤5：利用训练样本数据对神经网络进行训练；

步骤6：利用训练训练好的神经网络模型对测试样本的风电功率进行预测。

2.根据权利要求1所述的一种基于深度学习的风电功率短期预测方法，其特征在于，所述步骤1包括：所需数据集包括风电功率和风速、温度、风向、湿度四类气象数据，采集的风电功率时间分辨率与气象数据的分辨率一致，风向的活动范围是360°，风速数据为正值，温度的数据范围为当地统计的近两年最低温度和最高温度，湿度范围为当地统计的近两年最大湿度和最小湿度；当采集的数据集预处理前的范围超过所需数据集对应的合理范围，需对数据集进行校正。

3.根据权利要求1所述的一种基于深度学习的风电功率短期预测方法，其特征在于，所述步骤2包括：风电数据中不同模态数据的单位量纲不同，数值大小有差别，为了便于神经网络学习计算，对采样数据进行归一化处理；

针对不同的变量数据，通过以下公式，把采样数据限制到区间[0,1]：

其中是模态变量i的最小值，是模态变量i的最大值，为时刻t采样数据，为时刻t归一化之后的数值；

经过神经网络预测模型得到风电功率数据后，对数据进行反归一化处理，其计算公式为：

4.根据权利要求1所述的一种基于深度学习的风电功率短期预测方法，其特征在于，所述步骤3包括：为挖掘不同大气状态数据对风电功率的影响因素，采用距离分析方法—Pearson系数来刻画实验数据中不同气象数据的相关性；

对于任意两个n维数据a和b，其Pearson相关系数的计算公式为：

其中r_ab为Person相关系数，分别为a和b中元素的平均值，a_i和b_i为数据；

根据公式可知，Pearson相关系数r_ab∈[-1,1]，若r_ab＞0，a和b两个向量正相关；若r_ab＜0，a和b两个变量负相关；若r_ab＝0，a和b两个向量不相关；当|r_ab|的值越大，a和b两个向量的相关程度越高。

5.根据权利要求1所述的一种基于深度学习的风电功率短期预测方法，其特征在于，所述步骤4包括：为充分利用风电多模态数据，采用宽度堆栈自动编码网络模型BSAE，BSAE由特征提取模块和特征融合预测输出模块组成；

特征提取模块由多个堆栈自动编码器SAE单元并列堆叠组成，每一种风电模态数据对应于一个SAE单元，输入采集的过往历史数据信息，输出预测的下一时刻的风电功率；

特征融合预测输出模块是一个包含多个隐层的全连接网络组成，输入是各个SAE单元的输出，输出是预测的风电功率，是由不同模态预测的风电功率数据进行特征加权融合；

根据输入维度空间的低维特征，对SAE网络结果采用两个隐含层的网络结构，第一个隐含层的节点个数为12，第二个隐含层的节点个数为8；对预测层采用单隐层网络结构，预测层的节点个数为12，预测层的输出为实际预测功率，实验过程中每层的激活函数选取sigmoid，优化器为快速梯度下降算法。