[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

说明书

本发明公开了一种基于机器学习算法的风力发电场发电量预测方法，包括如下步骤：获取并输入气象历史数据，得到能表征气象数据特征的向量，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，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，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，计算风力发电量预测结果的置信区间。本发明不仅有效地提高风力发电量预测精度，还能给出预测风力发电量的置信区间信息，丰富了电网管理者的决策空间。

技术领域

本发明属于风力发电量预测技术领域，具体涉及基于机器学习算法的风力发电场发电量预测方法。

背景技术

受到风速、气压等气象条件的影响，风电场的发电量具有较强的不稳定性。对风力发电量进行以小时或天为单位的预测对于电网的综合调度、风电机组的操作或运维而言意义重大，但也存在极高难度。机器学习算法因为可以有效地表征输入数据深层的特征，被广泛应用于风力发电量的预测上。然而，由于机器学习特别是深度学习算法应用中存在由于输入序列信息丢失、网络层叠加导致梯度消失等现象而导致性能退化，进而影响力训练效率和预测精度。同时，现有预测方法没有在更精确预测风力发电量的基础上给出预测结果的置信区间分布信息，而这对于更加高效的电网决策来说显得更为重要。

发明内容

针对现有技术存在的问题，本发明的目的在于提供一种基于机器学习算法的风力发电场发电量预测方法。

为实现上述目的，本发明基于循环高速通路网络并结合多层时空注意力机制对风力发电量进行预测并进一步计算其概率分布。采用的技术方案包括以下几个步骤：

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1.1，获取气象历史数据，得到可以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；

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：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