[發明專利]一種基于RCNN和氣象時序特征的海上風電功率預測方法

在審

• 申請號: 202010564863.7
• 申請日: 2020-06-19
• 公開（公告）號: CN111815033A
• 公開（公告）日: 2020-10-23
• 發明（設計）人: 周勇良;劉建鋒;李美玉
• 申請（專利權）人: 上海電力大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;G06N20/20
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 陳源源

1.一種基于RCNN和氣象時序特征的海上風電功率預測方法，其特征在于，包括以下步驟：

S1、提取風電場歷史數值天氣預報和輸出功率數據，將歷史數據平分為訓練集和驗證集；

S2、構建RCNN為初步預測模型，初始化RCNN初始權值矩陣，并利用訓練集訓練RCNN使權值最優；

S3、利用訓練好的RCNN預測驗證集中的風電功率，并將RCNN預測結果與驗證集中歷史風電功率作差，得到歷史預測功率誤差；

S4、采用xgboost算法計算驗證集中數值天氣預報與歷史預測功率誤差的相關性，選取出強相關性數值天氣預報作為氣象時序特征；

S5、構建雙向循環神經網絡，利用氣象時序特征與歷史預測功率誤差訓練網絡，其中氣象時序特征為網絡輸入，預測功率誤差為網絡輸出；

S6、獲取待預測時段數值天氣預報信息，輸入訓練好的RCNN得到初步功率預測，同時將待預測時段數值天氣預報信息輸入訓練好的雙向循環神經網絡，得到初步預測功率誤差，將初步功率預測結果與初步預測功率誤差相加，得到最終預測風電功率。

2.根據權利要求1所述的一種基于RCNN和氣象時序特征的海上風電功率預測方法，其特征在于，所述的步驟S2中，RCNN包括卷積網絡模塊和長短期記憶網絡模塊，RCNN利用卷積網絡模塊自主提取輸入時間序列每一個時間步長上的數據特征，生成深層特征，輸入至長短期記憶網絡模塊，長短期記憶網絡模塊學習深層特征的時間相關性并預測輸出初步風電預測功率。

3.根據權利要求2所述的一種基于RCNN和氣象時序特征的海上風電功率預測方法，其特征在于，所述的卷積網絡模塊包括三個卷積層、三個BN層和三個池化層，所述卷積層的表達式為：

其中，y_t,i表示t時刻輸出向量的第i個元素，其中i∈(1,I)；表示激活函數，為已設定的超參數；B表示偏移值；W_n,m表示卷積核第n行、第m列的權值元素，其中n∈(1,N)、m∈(1,M)；N,M表示卷積核的行數、列數，為已設定的超參數；T_t,l為輸入向量T_t的第l個元素。

4.根據權利要求3所述的一種基于RCNN和氣象時序特征的海上風電功率預測方法，其特征在于，所述的BN層的表達式為：

其中，y_i為輸入數據中第i個數據；μ_β為輸入數據均值；為輸入數據標準差；為BN層輸出結果；ε為正態化常數。

5.根據權利要求3所述的一種基于RCNN和氣象時序特征的海上風電功率預測方法，其特征在于，所述的池化層表達式為：

r＝1,2,3,4…,p

其中，p為池化核尺寸，s為池化窗移動步長是已設定的超參數，為若干個被池化窗選中的輸入矩陣元素，c_t,j為輸出向量第j個元素。