[发明专利]一种基于WDNN框架的风电功率预测方法

权利要求书

1.一种基于WDNN框架的风电功率预测方法，其特征在于，包括

采集风电历史数据集，进行预处理，并输入训练好的风电功率预测模型，获得风电功率预测结果；

其中，所述的风电历史数据集分为离散特征数据和连续特征数据；

所述的预测模型包括离散数据处理模块、连续数据处理模块以及拼接神经元；

所述的离散数据处理模块包括交叉积变换单元和全连接层；

所述的连续数据处理模块包括XGBoost子模型和DNN子模型；

所述的预测模型的预测过程包括：

将风电历史数据集中的原始离散特征数据输入交叉积变换单元，输出新离散特征数据，将新离散特征数据和原始离散数据特征输入全连接层，输出第一风电功率预测值；

将风电历史数据集中的原始连续特征数据输入XGBoost子模型，输出新连续特征数据，将新连续特征数据和原始连续特征数据输入DNN子模型，输出第二风电功率预测值；

将第一风电功率预测值和第二风电功率预测值输入拼接神经元，输出风电功率最终预测值。

2.根据权利要求1所述的一种基于WDNN框架的风电功率预测方法，其特征在于，所述的全连接层的表达式为：

y＝w_deepx+b

其中，y为第一风电功率预测值，x＝[x₁,x₂,…x_n]为输入的离散特征数据，w_deep＝[w_deep1,w_deep2,...w_deepn]为离散数据处理模块的模型参数，b为线性偏差。

3.根据权利要求2所述的一种基于WDNN框架的风电功率预测方法，其特征在于，所述的拼接神经元的表达式为：

其中，P为输出风电功率最终预测值，σ为sigmoid激活函数，w_deep＝[w_deep1,w_deep2...w_deepn]为连续数据处理模块的模型参数，z(x)为新离散特征数据，d为第二风电功率预测值。

4.根据权利要求1所述的一种基于WDNN框架的风电功率预测方法，其特征在于，所述的风电功率预测模型的训练过程包括：

采集风电样本数据，将风电样本数据分为训练集、测试集和验证集，利用训练集、测试集和验证集分别对风电功率预测模型进行训练、测试和验证。

5.根据权利要求1所述的一种基于WDNN框架的风电功率预测方法，其特征在于，所述的风电功率预测模型的训练过程中，采用自适应矩估计优化器对风电功率预测模型进行参数优化。

6.根据权利要求1所述的一种基于WDNN框架的风电功率预测方法，其特征在于，所述的风电功率预测模型的训练过程中采用的损失函数为均方误差。

7.根据权利要求1所述的一种基于WDNN框架的风电功率预测方法，其特征在于，所述的预处理过程包括：

对风电历史数据集中对风电功率预测结果影响相对较大的一类或多类特征数据，使用基于密度的聚类算法进行降噪。

8.根据权利要求7所述的一种基于WDNN框架的风电功率预测方法，其特征在于，所述的聚类算法为DBSCAN算法。

9.根据权利要求1所述的一种基于WDNN框架的风电功率预测方法，其特征在于，所述的预处理过程包括：

对风电历史数据集中空缺的数据点进行填补和剔除。

10.根据权利要求1所述的一种基于WDNN框架的风电功率预测方法，其特征在于，所述的连续特征数据包括月份和风向，所述的连续特征数据包括风速、温度、湿度和空气密度。