[发明专利]基于神经网络不平衡优化的短期风电功率预测方法及系统

权利要求书

1.基于神经网络不平衡优化的短期风电功率预测方法，其特征在于，包括：

S1.采集原始风电场数据，从原始风电场数据中提取风速时间序列、风向时间序列及风电功率时间序列；

S2.对风速时间序列、风向时间序列及风电功率时间序列进行预处理，得到特征向量，并将风电功率时间序列作为风电功率预测目标样本，将特征向量及风电功率时间序列均分别划分为训练集和验证集；

S3.确定风电功率时间序列中风电功率之间的相邻耦合关系，获得耦合关系的累计影响贡献值序列；

S4.构建神经网络，神经网络包括若干层，在若干层中选定中间特征层，以特征向量作为神经网络的输入，依次进入神经网络每一层，获得每一层的特征张量输出，并进行中间特征层的相似性处理，更新中间特征层的特征张量；

S5.基于耦合关系的累计影响贡献值序列，确定神经网络的训练损失，对神经网络的训练损失进行多方向的不平衡优化，利用训练集训练神经网络，并利用验证集验证以选择方向，得到训练好的神经网络；

S6.将特征向量输入训练好的神经网络，获得风电功率预测输出。

2.根据权利要求1所述的基于神经网络不平衡优化的短期风电功率预测方法，其特征在于，步骤S2的过程包括：

S21.将风向时间序列分解成风向正弦时间序列与风向余弦时间序列，分解公式为：

其中，X_WD为风向时间序列；X_SWD为风向正弦时间序列，X_CWD为风向余弦时间序列；

S22.对风速时间序列、风向正弦时间序列、风向余弦时间序列、风电功率时间序列进行归一化处理；

S23.进行特征张量处理，提取连续n小时步长的风电功率特征、风速特征、风向正弦特征、风向余弦特征，作为特征向量，表达式为:

其中，i表示时序，x_SLWPi为张量中第i小时的风电功率特征，x_SLWSi为张量中第i小时的风速特征，x_SWDi为张量中第i小时的风向正弦特征，x_CWDi为张量中第i小时的风向余弦特征；X_INPUT表示特征张量；X_i表示每个步长的特征张量。

3.根据权利要求2所述的基于神经网络不平衡优化的短期风电功率预测方法，其特征在于，步骤S3中所述确定风电功率时间序列中风电功率之间的相邻耦合关系，获得耦合关系的累计影响贡献值序列的过程为：

S31.设风电功率时间序列为：y＝[y₁,...,y_t,...,y_N]，设定高斯卷积核功率范围参数为σ，将风电功率时间序列中每两个风电功率大小之间的相邻耦合关系使用高斯卷积核函数k(y_i,y_j)表示，表达式为：

其中，N表示风电功率时间序列内的样本总数量，y_t为风电功率时间序列的t时刻的风电功率大小，y_i为风电功率时间序列的i时刻的风电功率大小；y_j表示风电功率时间序列的j时刻的风电功率大小；

S32.计算风电功率时间序列的j时刻的风电功率对风电功率时间序列的i时刻的风电功率的耦合关系的累计影响贡献值，过程满足表达式：

得到耦合关系的累计影响贡献值序列表示为：

δ＝[δ₁,...,δ_N]

其中，δ表示耦合关系的累计影响贡献值序列。

4.根据权利要求3所述的基于神经网络不平衡优化的短期风电功率预测方法，其特征在于，步骤S4中所述构建的神经网络为CNN-LSTM深度学习神经网络，CNN-LSTM深度学习神经网络由依次连接的输入层、1通道卷积层Conv1、2通道卷积层Conv2、4通道卷积层Conv3、双层LSTM层、全连接层Linear1、激活函数层、全连接层Linear2和输出层组成，选取CNN-LSTM神经网络中的全连接层Linear1作为中间特征层。