[发明专利]基于时空特性融合的卷积神经网络进行风电功率预测方法在审
| 申请号： | 201910914143.6 | 申请日： | 2019-09-25 |
| 公开（公告）号： | CN110782071A | 公开（公告）日： | 2020-02-11 |
| 发明（设计）人： | 李雪威;尤波;于瑞国;喻梅;于健;张琢;高洁;刘志强;陈世展 | 申请（专利权）人： | 天津大学 |
| 主分类号： | G06Q10/04 | 分类号： | G06Q10/04;G06Q50/06;G06N3/04;G06K9/62 |
| 代理公司： | 12201 天津市北洋有限责任专利代理事务所 | 代理人： | 刘子文 |
| 地址： | 300350 天津市津南区海*** | 国省代码： | 天津;12 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开一种基于时空特性融合的卷积神经网络进行风电功率预测方法，包括以下步骤：步骤一，构建多特征模型，提取与风相关信息的时空特征，并将这些时空特征融合到一起，共同作为卷积神经网络模型的输入；步骤二，构建卷积神经网络模型，拟合风能数据变化的趋势，结合步骤一中得到的时空特征进行风能预测；步骤三，分别选取涡轮机分布稠密和稀疏的两片区域作为数据集以进行实验；步骤四，通过选取均方误差、均方根误差和峰值信噪比指标验证本发明的有效性。本发明在提取特征方面，更为有效和先进。同时本发明构造的卷积神经网络和其他方法提出的卷积神经网络相比，也更为先进，可以有效的解决机器学习中梯度消失的问题，更符合风电功率的实际变化情况。 | ||
| 搜索关键词： | 卷积神经网络 时空特征 构建 风能 涡轮机 风电功率预测 峰值信噪比 均方根误差 风电功率 机器学习 均方误差 时空特性 数据变化 特征模型 提取特征 相关信息 融合 数据集 拟合 稀疏 稠密 验证 预测 | ||
【主权项】：
1.基于时空特性融合的卷积神经网络进行风电功率预测方法，其特征在于，包括以下步骤：/n步骤一，构建多特征模型，提取与风相关信息的时空特征，并将这些时空特征融合到一起，共同作为卷积神经网络模型的输入；/n步骤二，构建卷积神经网络模型，拟合风能数据变化的趋势，结合步骤一中得到的时空特征进行风能预测；/n步骤三，分别选取涡轮机分布稠密和稀疏的两片区域作为数据集以进行实验；/n步骤四，通过选取均方误差、均方根误差和峰值信噪比指标验证本发明的有效性。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于天津大学，未经天津大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910914143.6/，转载请声明来源钻瓜专利网。
- 同类专利
- 专利分类
G06 计算；推算；计数
G06Q 专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法；其他类目不包含的专门适用于行政、商业、金融、管理、监督或预测目的的处理系统或方法
G06Q10-00 行政；管理
G06Q10-02 .预定，例如用于门票、服务或事件的
G06Q10-04 .预测或优化，例如线性规划、“旅行商问题”或“下料问题”
G06Q10-06 .资源、工作流、人员或项目管理，例如组织、规划、调度或分配时间、人员或机器资源；企业规划；组织模型
G06Q10-08 .物流，例如仓储、装货、配送或运输；存货或库存管理，例如订货、采购或平衡订单
G06Q10-10 .办公自动化，例如电子邮件或群件的计算机辅助管理
G06Q 专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法；其他类目不包含的专门适用于行政、商业、金融、管理、监督或预测目的的处理系统或方法
G06Q10-00 行政；管理
G06Q10-02 .预定，例如用于门票、服务或事件的
G06Q10-04 .预测或优化，例如线性规划、“旅行商问题”或“下料问题”
G06Q10-06 .资源、工作流、人员或项目管理，例如组织、规划、调度或分配时间、人员或机器资源；企业规划；组织模型
G06Q10-08 .物流，例如仓储、装货、配送或运输；存货或库存管理，例如订货、采购或平衡订单
G06Q10-10 .办公自动化，例如电子邮件或群件的计算机辅助管理
