[发明专利]一种基于深度学习的风电功率短期预测模型

说明书

本发明公开了一种基于深度学习的风电功率短期预测模型，包括以下步骤：获取风力发电功率及NWP原始数据；将数据缺失值使用均值填补补全；使用皮尔逊相关性分析将数据降维，剔除不必要的特征；本发明通过采用基于深度学习的风电功率短期预测模型对风电功率进行短期预测，一方面承认事物发展的延续性，运用过去的时间序列数据进行统计分析，推测出事物的发展趋势；另一方面充分考虑到由于偶然因素影响而产生的随机性，为了消除随机波动产生的影响，利用历史数据进行统计分析，并对数据进行适当处理，进行趋势预测，解决了数据特征间信息提取不充分的问题，进一步提高了模型的预测精度。

技术领域

本发明属于风电功率预测技术领域，具体涉及一种基于深度学习的风电功率短期预测模型。

背景技术

风电功率预测技术是指对未来一段时间内风电场所能输出的功率大小进行预测，以便安排调度计划。这是因为风能属于随机波动的不稳定能源，大规模的风电并入系统，必将会对系统的稳定性带来新的挑战。电力生产调度机构需要对未来数小时的风电输出功率有所了解。按风电场出力预测时间尺度划分，包括：长期预测、中期预测、短期预测以及超短期预测。

目前传统的对于风电功率短期预测的方式通常较为依赖特征工程，且基本针对于单条时序，通常只能预测未来单个时间点，数据特征间信息提取不充分，使用时依然存在较为严重的局限性。

发明内容

本发明要解决的技术问题是克服现有的缺陷，提供一种基于深度学习的风电功率短期预测模型，以解决上述背景技术中提出的目前传统的对于风电功率短期预测的方式通常较为依赖特征工程，且基本针对于单条时序，通常只能预测未来单个时间点，数据特征间信息提取不充分，使用时依然存在较为严重的局限性的问题。

为实现上述目的，本发明提供如下技术方案：一种基于深度学习的风电功率短期预测模型，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。