[发明专利]基于机器学习算法的风力发电场发电量预测方法

权利要求书

1.基于机器学习算法的风力发电场发电量预测方法，其特征在于包括以下步骤：

步骤1：获取并输入气象历史数据，得到能够表征气象数据特征的向量；

步骤2：用循环高速网络训练和学习气象数据特征序列中变量之间与时间序列相关的特征；

步骤3：经过循环高速通路网络编码器的编码操作以及通过多层时空注意力机制在不同维度对特征向量进行重新筛选，分别得到时间维注意力向量和网络层次维注意力向量；

步骤4：获取并输入风力发电量历史数据，通过循环高速通路网络解码器的解码操作，经全链接层维度匹配，得到风力发电量的预测结果；

步骤5：计算风力发电量预测结果的置信区间。

2.如权利要求1所述的基于机器学习算法的风力发电场发电量预测方法，其特征在于步骤1的具体操作过程包括如下步骤：

步骤1.1获取气象历史数据，得到能输入卷积神经网络进行特征提取的气象历史数据序列：(x₁,x₁,…,x_t,…,x_T-1)，其中，t∈{1,2,...,T-1}，x_t∈Rⁿ，为t时刻n维气象实向量数据，T为待预测目标所在时间序列；

步骤1.2将以上序列输入卷积神经网络经卷积运算处理后得到可以表征气象数据特征的序列(w₁,w₂,…,w_t,…,w_T-1)，其中，w_t∈R^m，为处理后t时刻m维表征气象特征实向量数据。

3.如权利要求2所述的基于机器学习算法的风力发电场发电量预测方法，其特征在于步骤2的具体操作过程包括如下步骤：用s'＝S'(w,W_S')、t'＝T'(w,W_T')和c'＝C'(w,W_C')分别表示经非线性转换tanh函数S’、sigmoid函数T’和sigmoid函数C’作用转换后的输出，w^[t]为t时刻输入的气象特征向量，则循环高速通路网络内部隐藏的状态更新为

其中，表示第k层t时刻循环高速通路网络单元输出的l维隐藏状态向量，k∈{1,2,...K}，K为网络层数，并规定在k＝0时

其中，W_S',W_T',W_C'∈R^l×m、R_S'k,R_C'k,R_T'k∈R^l×l和b_Hk,b_C'k,b_T'k∈R^l分别表示第k层S’、T’和C’转换的权重矩阵以及偏置单元，用指示函数I{·}表示特征向量w^[t]仅在循环高速通路网络的第1层参与运算，表示保留所有原始输入信息，表示转换所有输入信息。