[發明專利]一種基于深度學習的超短時風功率預測方法

有效

• 申請號: 201811610728.0
• 申請日: 2018-12-27
• 公開（公告）號: CN109615146B
• 公開（公告）日: 2023-02-07
• 發明（設計）人: 唐立新;郎勁;趙祥
• 申請（專利權）人: 東北大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 朱光林

1.一種基于深度學習的超短時風功率預測方法，其特征在于，包括以下步驟：

步驟1：從風場獲取風機功率歷史信息以及包括風速、風向、溫度、濕度構成的氣象特征形成數據表；

步驟2：補全數據表中缺失的風功率參數，具體步驟如下：

步驟2.1：篩選出風功率小于閾值p的數據作為風機故障數據；

步驟2.2：搭建三層由全連接層組成的神經網絡模型；

步驟2.3：設定神經網絡的參數，包括第一層全連接層的輸出通道數l1、第二層全連接層的輸出通道數l2、第三層全連接層的輸出通道數l3、各全連接層的輸入層數n_in和各全連接層的輸出層數n_out，初始化神經網絡的權重在的范圍內均勻分布；

步驟2.4：采用梯度下降法更新神經網絡模型需要學習的參數，即權重w和偏差b；

步驟2.5：將數據批次設置為batch₁，訓練次數設置為maxt-iters，對神經網絡模型進行訓練，并保存maxt-iters次訓練的神經網絡模型；

步驟2.6：計算maxt-iters次神經網絡模型輸出值的準確率acc，將準確率最高的神經網絡模型輸出；

步驟2.7：將風機故障數據中的氣象特征輸入到輸出的神經網絡模型中，將輸出的出風功率補全到數據表中；

步驟3：搭建基于序列對序列的風功率預測模型，具體步驟如下：

步驟3.1：以時間t為單位，將數據表中的數據分割成多組長度為l的序列，第一組序列中的溫度、濕度以及該時刻的風功率作為輸入特征，下一組序列中的風功率作為輸出特征，隨機分配訓練集，測試集比例為k1∶k2；

步驟3.2：對數據表中的數據進行歸一化預處理；

步驟3.3：搭建編碼模型和譯碼模型并生成預測值；

步驟3.4：搭建風功率預測模型的損失函數loss₂：

步驟3.5：采用梯度下降法更新風功率預測模型需要學習的參數，即權重W和偏差B；

步驟3.6：將批次設置為batch₂，最大迭代次數設置為iters_max，對風功率預測模型進行訓練，并保存iters_max次訓練的風功率預測模型；

步驟3.7：計算iters_max次風功率預測模型的測試誤差accuracy，將測試誤差最小的風功率預測模型輸出，用于預測風功率。

2.根據權利要求1所述的基于深度學習的超短時風功率預測方法，其特征在于，所述步驟2.4和步驟3.5中更新模型參數的公式如下：

其中，θ_iters+1為第iters+1次迭代的模型參數，α為學習率，ε為常量，g_iters為第iters次迭代的梯度，E[g²]_iters為第iters次迭代的參數梯度平方值；所述第iters次迭代的梯度g_iters和參數梯度平方值E[g²]_iters的計算公式如下：

其中，ρ為衰減速率。

3.根據權利要求1所述的基于深度學習的超短時風功率預測方法，其特征在于，所述步驟3.2中對數據進行歸一化預處理的公式如下：

其中，inputs_mean為輸入數據的均值，N為輸入數據的個數，inputs_i為輸入的第i個數據，inputs_std為輸入數據的標準差，Y_mean為輸出數據的均值，Y_i為輸出的第i個數據，Y_std為輸出數據的標準差。

4.根據權利要求1所述的基于深度學習的超短時風功率預測方法，其特征在于，所述步驟3.3包括以下步驟：

步驟3.3.1：搭建由k個LSTM模塊組成的編碼模型學習序列信息，并將編碼模型的隱藏層層數設置為k3，各隱藏層輸出通道數設置為k4；

所述LSTM模塊具體計算公式如下：

h_n＝o_n⊙tanh(W_hc_n+B_h)；

i_n＝σ(W_i[inputs_n-1；h_n-1]+B_i)；

f_n＝σ(W_f[inputs_n-1；h_n-1]+B_f)；

o_n＝σ(W_o[inputs_n-1；h_n-1]+B_o)；

其中，inputs_n表示第n層編碼模型的輸入，h_n表示第n層編碼模型隱藏層的輸出，c_n為第n層的記憶單元，i_n、f_n和o_n均為第n層的門控開關，W_h、W_c、W_i、W_f、W_o分別為模型輸出h、記憶單元c、門控開關i、f、o的權重，B_h、B_c、B_i、B_f、B_o分別為模型輸出h、記憶單元c、門控開關i、f、o的偏差，σ為sigmoid函數，為中間變量；所述sigmoid函數σ的的計算公式如下：

步驟3.3.2：將編碼模型最后一個時間序列作為解碼模型第一個時間序列隱藏層的輸入，搭建由k個LSTM模塊組成的解碼模型；

步驟3.3.3：將解碼模型每一序列隱藏層最后一層輸出與權重W相乘，得到解碼模型的預測值，即Wx+B，其中，權重初始方式為服從N(0，1)的正態分布。