[發明專利]基于多元時空關聯矩陣的集群風電功率映射預測方法

在審

• 申請號: 202110473926.2
• 申請日: 2021-04-29
• 公開（公告）號: CN112949950A
• 公開（公告）日: 2021-06-11
• 發明（設計）人: 王飛;劉嘉明;甄釗;徐勛建;馮濤;丘剛;劉大貴;李渝;常喜強;李國慶
• 申請（專利權）人: 華北電力大學（保定）;國網湖南省電力有限公司;國網新疆電力有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04
• 代理公司: 長沙智勤知識產權代理事務所(普通合伙) 43254
• 代理人: 曾芳琴

1.基于多元時空關聯矩陣的集群風電功率映射預測方法，其特征在于，所述預測方法包括如下步驟：

獲取包括時間參數和空間參數的待預測區域的風速數據和集群風電功率數據；

根據所述風速數據中的所述空間參數形成風速多元時空關聯矩陣；

建立基于卷積長短時記憶神經網絡的風速多元時空關聯矩陣預測模型；

對所述風速多元時空關聯矩陣進行模型計算，通過改變所述時間參數獲得預測風速多元時空關聯矩陣；

建立基于卷積長短時記憶神經網絡的風速多元時空關聯矩陣-集群風電功率映射模型；

將所述預測風速多元時空關聯矩陣輸入到所述映射模型中，以獲得集群風電功率。

2.根據權利要求1所述的基于多元時空關聯矩陣的集群風電功率映射預測方法，其特征在于，所述獲取包括時間參數和空間參數的待預測區域的風速數據的步驟，包括：

在數據庫中下載不同經緯度在指定時段內的不同時刻下的氣象數據；

根據所述待預測區域的經緯度，從所述氣象數據中提取待預測區域的所述風速數據。

3.根據權利要求1所述的基于多元時空關聯矩陣的集群風電功率映射預測方法，其特征在于，所述根據所述風速數據中的所述空間參數形成風速多元時空關聯矩陣的步驟，包括：

將所述風速數據中的經度作為橫坐標、所述風速數據中的緯度作為縱坐標，形成指定時段內的不同時刻下的所述風速多元時空關聯矩陣。

4.根據權利要求1所述的基于多元時空關聯矩陣的集群風電功率映射預測方法，其特征在于，所述建立基于卷積長短時記憶神經網絡的風速多元時空關聯矩陣預測模型的步驟，包括：

利用python軟件將不同時間下的所述風速多元時空關聯矩陣組成風速多元時空關聯矩陣序列；

對所述風速多元時空關聯矩陣進行歸一化處理，利用MinMaxScaler()函數，獲得0-1間的風速數據；將所述風速多元時空關聯矩陣序列按照6:3:1的比例分為訓練集、驗證集和測試集；

建立基于卷積長短時記憶神經網絡的風速多元時空關聯矩陣預測模型。

5.根據權利要求1所述的基于多元時空關聯矩陣的集群風電功率映射預測方法，其特征在于，所述對所述風速多元時空關聯矩陣進行模型計算，通過改變所述時間參數獲得預測風速多元時空關聯矩陣的步驟，包括：

通過輸入當前時刻的前10個所述風速多元時空關聯矩陣，得到下一時刻的風速多元時空關聯矩陣。

6.根據權利要求1所述的基于多元時空關聯矩陣的集群風電功率映射預測方法，其特征在于，所述建立基于卷積長短時記憶神經網絡的風速多元時空關聯矩陣-集群風電功率映射模型的步驟，包括：

讀取所述風速多元時空關聯矩陣與所述集群風電功率數據；

設置第一模型參數；

根據所述第一模型參數搭建所述基于卷積長短時記憶神經網絡的風速多元時空關聯矩陣-集群風電功率映射模型。

7.根據權利要求1所述的基于多元時空關聯矩陣的集群風電功率映射預測方法，其特征在于，所述將所述預測風速多元時空關聯矩陣輸入到所述映射模型中，以獲得集群風電功率的步驟，包括：

利用python軟件中load_model()函數加載已經訓練好的所述基于卷積長短時記憶神經網絡的風速多元時空關聯矩陣-集群風電功率映射模型；

將所述基于卷積長短時記憶神經網絡的風速多元時空關聯矩陣預測模型中的預測風速多元時空關聯矩陣輸入到所述基于卷積長短時記憶神經網絡的風速多元時空關聯矩陣-集群風電功率映射模型中，以獲得對應時刻的集群風電功率；

將所述集群風電功率進行反歸一化處理，以獲得最終的所述預測集群風電功率。

8.根據權利要求2所述的基于多元時空關聯矩陣的集群風電功率映射預測方法，其特征在于，在數據庫中下載不同經緯度在指定時段內的不同時刻下的氣象數據的時間分辨率為15分鐘。