[发明专利]基于逐步回归与深度学习的风电功率预测方法及相关设备

权利要求书

1.一种基于逐步回归与深度学习的风电功率预测方法，其特征在于，包括：

基于回归方程筛选风力发电的工作参数中具有显著性的目标参数；

获取所述目标参数在第一时间段的观测数据；

将所述观测数据输入训练好的功率预测模型，得到目标时间的风电功率预测值。

2.根据权利要求1所述的方法，其特征在于，所述训练好的目标预测模型包括：至少一个神经网络模型，每个LSTM神经网络模型包括：

第一单元，包括第一sigmoid层和第一逐点相乘器，上一时刻的输出数据h_t-1与当前时刻的输入数据x_t经过所述第一sigmoid层得到第一输出，所述第一输出与上一时刻长期状态C_t-1经过所述第一逐点相乘器得到第一单元输出；

第二单元，包括第二sigmoid层、第一tanh层、第二逐点相乘器和加法器，上一时刻的输出数据h_t-1与当前时刻的输入数据x_t经过所述第二sigmoid层得到第二输出，上一时刻的输出数据h_t-1与当前时刻的输入数据x_t经过所述第一tanh层得到候选长期状态C_t’，所述第二输出和所述候选长期状态C_t’经过所述第二逐点相乘器得到第三输出，所述第三输出和所述第一单元输出经过所述加法器得到第二单元输出C_t；

第三单元，包括第三sigmoid层、第二tanh层和第三逐点相乘器，上一时刻的输出数据h_t-1与当前时刻的输入数据x_t经过所述第三sigmoid层得到第四输出，所述第二单元输出C_t经过所述第二tanh层后与所述第四输出经过第三逐点相乘器得到当前时刻的输出数据h_t。

3.根据权利要求2所述的方法，其特征在于，所述目标参数包括风速和风向。

4.根据权利要求2所述的方法，其特征在于，所述第一sigmoid层的第一输出f_t=sigmoid（w_f·[h_t-1，x_t]+b_f），其中，w_f为第一权值，b_f为给定参数。

5.根据权利要求4所述的方法，其特征在于，所述第二sigmoid层的第二输出i_t=sigmoid（w_i·[h_t-1，x_t]+b_i），候选长期状态C_t’=tanh（w_c·[h_t-1，x_t]+b_c），w_i为第二权值，w_c为第三权值，b_i、b_c为给定参数；当前时刻的长期状态C_t=f_t*C_t-1+ i_t*C_t’。

6.根据权利要求5所述的方法，其特征在于，所述第三sigmoid层的第四输出o_t=sigmoid（w_o·[h_t-1，x_t]+b_o），w_o为第四权值，b_o为给定参数；输出数据h_t=o_t* tanh（C_t）。