[发明专利]一种基于深度学习网络的短期风电功率预测方法和系统

权利要求书

1.一种基于深度学习网络的短期风电功率预测方法，其特征在于，包括：

获取待预测风电所在区域的网格化数值天气预报数据；

将所述网格化数值天气预报数据输入预先训练的深度学习映射模型，得到风电功率的预测值；

其中，所述深度学习映射模型包括数值天气预报数据与风电功率预测值的对应关系；所述网格化数值天气预报数据按照位置构成网格，每个网格点表示一个经纬，网格中每个格点包括多个天气参数；

所述深度学习映射模型的训练，包括：

获取待预测风电所在区域的历史数值天气预报数据和对应的风电功率并根据经纬度进行网格化作为样本集；

将样本集中的历史数值天气预报数据作为输入数据，对应的风电功率作为对应的输出数据，对深度学习网络结构进行训练，得到深度学习映射模型；

其中，所述风电功率包括待预测风电所在区域内单个风电场的风电功率、预设多个风电场的总加风电功率或所有风电场的总加风电功率中的任意一个；

所述将所述数值天气预报数据输入预先训练的深度学习映射模型，得到风电功率的预测值，包括：

当预测目标为待预测风电所在区域内单个风电场的风电功率时，将所述数值天气预报数据输入采用同一单个风电场的风电功率训练的深度学习映射模型，得到所述风电场的风电功率的预测值；

当预测目标为待预测风电所在区域内多个风电场的风电功率时，将所述数值天气预报数据输入采用相同多个风电场的风电功率训练的深度学习映射模型，得到对应多个风电场的总加风电功率的预测值；

当预测目标为待预测风电所在区域所有风电场的风电功率时，将所述数值天气预报数据输入采用所有风电场的风电功率训练的深度学习映射模型，得到所有风电场的总加风电功率的预测值。

2.如权利要求1所述的方法，其特征在于，所述获取待预测风电所在区域的数值天气预报数据，包括：

根据待预测风电所在区域的经纬度构建网格；

对网格中的各个格点，分别获取格点对应经纬度的数值天气预报数据中的多个天气参数叠加在所述格点上；所述天气参数包括：各高度的风速、风向、温度、湿度和压力。

3.如权利要求1所述的方法，其特征在于，所述将样本集中的历史数值天气预报数据作为输入数据，对应的风电功率作为对应的输出数据，对深度学习网络结构进行训练，得到深度学习映射模型，包括：

在样本集中按照预设比例选取训练集和测试集；

将测试集中的历史数值天气预报数据作为输入数据，对应的风电功率作为输出数据，分别对多个预设不同结构的深度学习网络结构进行训练，得到多个备选深度学习网络结构；

采用测试集对各备选深度学习网络结构进行测试，根据选择标准选择备选深度学习网络结构作为深度学习映射模型；

其中，选择标准包括：预测结果的均方根误差、归一化均方根误差、平均绝对误差、归一化平均绝对误差和相关性；

所述深度学习网络结构包括卷积层、池化层、激活层和全连接层，卷积层、池化层和激活层顺序连接成组件；不同结构的深度学习网络结构包括：多个不同数目的组件顺序连接后与全连接层连接，或组件内不同数目的卷积层连接后与池化层和激活层顺序连接后再与全连接层连接，或者在不同组件间短路连接后再与全连接层连接。

4.如权利要求3所述的方法，其特征在于，所述根据选择标准选择备选深度学习网络结构作为深度学习映射模型，包括：

根据选择标准选择一个最优备选深度学习网络结构作为深度学习映射模型；

或根据选择标准选择多个备选深度学习网络结构作为深度学习映射模型。

5.如权利要求4所述的方法，其特征在于，所述将所述数值天气预报数据输入预先训练的深度学习映射模型，得到风电功率的预测值，包括：

当深度学习映射模型包括多个备选深度学习网络结构时，将所述数值天气预报数据分别输入各备选深度学习网络结构，得到多个备选的风电功率的预测值；

采用融合方法对所述多个备选的风电功率的预测值进行融合，得到风电功率的预测值；

所述融合方法包括：平均、线性回归和非线性映射。