[發明專利]基于時間滑動窗口的CNN-GRU風電功率預測方法

在審

• 申請號: 202210178098.4
• 申請日: 2022-02-25
• 公開（公告）號: CN114462718A
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 黃曙榮;程艷;朱昭云
• 申請（專利權）人: 鹽城工學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;H02J3/00
• 代理公司: 南京業騰知識產權代理事務所(特殊普通合伙) 32321
• 代理人: 賈鳳儀

1.一種基于時間滑動窗口的CNN-GRU風電功率預測方法，其特征在于包括如下步驟：

S1、獲取風電功率預測所需的樣本數據，包括時間分辨率一致的氣象要素的實測數據，并對樣本數據進行數據質量控制；

S2、對步驟S1獲取的不同的量綱和數量級別的樣本數據進行歸一化處理；

S3、對樣本數據不同特征變量之間進行相關性分析，剔除負相關和弱相關的變量特征；并通過時間滑動窗口構造風電功率預測模型的輸入數據集，具體的構造方法為：

首先確定滑動窗口lookback值，之后對數據進行向下滑動劃分Data集和Lable集，使用Data集中前lookback行的值作為輸入數據集的第一個元素，Label集的第lookback+1行的數據作為其對應的標記，依次循環滑動最終生成輸入數據集為三維矩陣M，M的第一個維度是由數據總樣本和時間窗口大小確定的二維矩陣的元素個數，其每個元素是一個行數為時間窗口大小，列數為輸入數據特征數的二維矩陣；

S4、建立基于attention機制的CNN-GRU風電功率預測網絡模型，具體方法為：

S41、將步驟S3處理過的特征向量傳遞到CNN網絡中，卷積層接收之后進行卷積和池化操作，自動提取風電序列數據的特征，此時時間滑動窗口值同步被減小；

CNN網絡為一維卷積神經網絡，所提取到的特征輸出為：

式中，x_f為f時刻的輸入特征向量；ω_m為卷積核權重矩陣；b_f為偏差值；n為卷積核個數；

S42、由CNN網絡提取到的特征向量進入到GRU網絡的隱藏層進行特征提取，同時利用attention機制對隱藏層提取到的特征向量進行計算得到特征權重矩陣，再將特征權重矩陣與隱藏層提取的特征向量進行相乘，其結果送入到GRU網絡的Dropout層和全連接層，得到輸出的風電功率預測值，該風電功率預測值輸出時進行反歸一化；

S5、步驟S4得到的風電功率預測值通過誤差評價指標對網絡模型進行評價，評價預測準精度。

2.根據權利要求1所述的基于時間滑動窗口的CNN-GRU風電功率預測方法，其特征在于，步驟S1中的氣象要素包括風速、溫度、風向和壓強實測數據。

3.根據權利要求2所述的基于時間滑動窗口的CNN-GRU風電功率預測方法，其特征在于，步驟S1中對樣本數據進行數據質量控制包括處理異常數據和填補缺失值數據，具體方法為：

a、當樣本數據值超過標準合理范圍的，對樣本數據進行校正；

b、對于缺失少量數據的，采用k近鄰方式進行填補；

c、對于缺失大量數據的時間點采用相似日進行填補；

d、對于異常值數據進行置零，視情形做b或c的缺失值處理。

4.根據權利要求1所述的基于時間滑動窗口的CNN-GRU風電功率預測方法，其特征在于，步驟S2中對樣本數據進行歸一化處理的具體方法為:

采用min-max歸一化方法，歸一化后的數據范圍均在[0，1]之間，計算公式為：

其中，x_g表示歸一化前的數據；x′_g表示歸一化后的數據；x_max表示歸一化前的最大值；x_min表示歸一化前的最小值。

5.根據權利要求1所述的基于時間滑動窗口的CNN-GRU風電功率預測方法，其特征在于，步驟S3中采用斯皮爾曼相關系數方法進行風電功率與各個氣象特征相關性量化分析，剔除負相關和弱相關的變量特征，公式為：

公式中的n為樣本容量；d_i為特征變量的值與風電功率兩列第i個樣本數列排序后的序號差。