[发明专利]一种基于深度学习的风电功率短期预测模型

权利要求书

1.一种基于深度学习的风电功率短期预测模型，其特征在于：包括以下步骤：

步骤一：获取风力发电功率及NWP原始数据；

步骤二：将数据缺失值使用均值填补补全；

步骤三：使用皮尔逊相关性分析将数据降维，剔除不必要的特征；

步骤四：对数据做归一化处理，得到归一化后的数据；

步骤五：利用图神经网络对多变量时间序列数据进行建模，即构造自适应邻接矩阵来学习变量之间隐藏的空间依赖关系；

步骤六：提取完的特征向量使用双向门控循环单元提取时间特征；

步骤七：将上一步提取完的特征通过注意力机制加权，最后通过全连接层输出；

步骤八：将预测数据反归一化得到最后结果。

2.根据权利要求1所述的一种基于深度学习的风电功率短期预测模型，其特征在于：所述步骤一中，在对风功率进行预测之前，首先就了解风能的特性，以便于对参数做合理的选取，风能最显著特点是变化性，由于气候、时间及地理环境因素的影响，在每一个时间点和空间点上风力的大小、方向都在瞬时变化。

3.根据权利要求1所述的一种基于深度学习的风电功率短期预测模型，其特征在于：所述步骤二中，将数据集中不含缺失值的变量(属性)称为完全数据,数据集中含有缺失值的变量称为缺失数据，填补数据的方法通常通过使用更大规模且多变的数据进行填补。

4.根据权利要求1所述的一种基于深度学习的风电功率短期预测模型，其特征在于：所述步骤二中，在使用这些数据进行数据填补时，需要注意对含有低覆盖率的序列点加以解释。

5.根据权利要求1所述的一种基于深度学习的风电功率短期预测模型，其特征在于：所述步骤三中，在统计学中通常采用皮尔逊积矩相关系数(PPMCC/PCCs)用于度量数据之间的相关关系密切程度的统计指标。

6.根据权利要求1所述的一种基于深度学习的风电功率短期预测模型，其特征在于：所述步骤四中，在对数据进行归一化处理时，采用数据同趋化处理方式，对不同性质的数据指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确的结果。

7.根据权利要求1所述的一种基于深度学习的风电功率短期预测模型，其特征在于：所述步骤五中，建立后的RBF神经网络模型由三层组成，分别为输入层、隐层、输出层，是一种新颖有效的前馈式神经网络。

8.根据权利要求7所述的一种基于深度学习的风电功率短期预测模型，其特征在于：所述RBF神经网络模型的输入层用来传递输入信号到隐层；隐层由径向基函数描述，其基函数大多采用高斯基函数，所进行的是非线性变换；输出层由简单的线性函数刻画，进行的是线性变换，在RBF神经网络模型中，输入层到隐层的连接权值均为1，隐层到输出层之间的连接权值是可调的，隐层的作用函数对输入信号将在局部产生响应，当输入信号靠近作用函数的中央范围时，隐层节点就会产生较大的输出，致使径向基函数网络具有极佳的局部逼近能力和学习速度快的优点。

9.根据权利要求1所述的一种基于深度学习的风电功率短期预测模型，其特征在于：所述步骤五中，使用图神经网络可以使得图神经网络模型在处理数据时不需要明确的图结构。

10.根据权利要求1所述的一种基于深度学习的风电功率短期预测模型，其特征在于：所述步骤七中，注意力机制包括第一算术逻辑单元、激活函数电路、缩放电路和第二算术逻辑单元。