[發(fā)明專利]一種基于數模雙驅的風電功率預測方法、裝置和存儲介質

有效

• 申請?zhí)枺?/td>: 202210235846.8
• 申請日: 2022-03-11
• 公開（公告）號: CN114298446B
• 公開（公告）日: 2022-06-03
• 發(fā)明（設計）人: 丁彥博;竇迅;羅海峰;鄧葉航
• 申請（專利權）人: 南京工業(yè)大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06F30/27
• 代理公司: 南京先科專利代理事務所(普通合伙) 32285
• 代理人: 何靜

1.一種基于數模雙驅的風電功率預測方法，其特征在于，包括如下步驟：

步驟1：獲取歷史氣象數據、歷史風機運行狀態(tài)數據、風電出力功率數據，依次進行預處理和歸一化處理；

步驟2：利用多尺度卷積-長短期記憶人工神經網絡(MSC-LSTM)框架提取歷史氣象數據和風電出力功率數據的非線性映射關系，搭建數字驅動模型；

步驟3：利用時間卷積網絡(TCN)框架提取風機運行狀態(tài)數據和風電出力功率數據的非線性映射關系，搭建物理驅動模型；

步驟4：利用全連接層將數字驅動模型和物理驅動模型的輸出層相連，再利用注意力機制層整合兩種驅動模型的輸出，以獲取最終預測結果；

所述步驟2的具體過程為：

步驟2.1：將經步驟1處理后的歷史氣象數據投入多尺度卷積層，多尺度卷積層每個卷積核輸出的數據維度表示為：

其中，O_i表示第i個卷積核經過卷積層輸出的數據維度；N表示輸入圖像的高度或寬度；F_i表示第i個卷積核對應數據維度；P表示多尺度卷積網絡對應0填充值；Stride為步長；

最終得到的時序特征數據集記為：

其中，L_n·m表示大小為n·m的多元卷積輸出；n表示時序長度；m表示多尺度卷積后得到的時序特征數據集的特征維度；x表示歸一化處理后初始數據的特征維度；I_x·n表示歸一化處理后的初始數據集；K_i表示第i個卷積核，i∈[1,m]；*表示卷積符號；

步驟2.2：將多尺度卷積的輸出投入典型LSTM中，利用LSTM表示為：

y(t)＝f(X(t)·W+y(t-1)·V+b)

其中，X(t)表示t時刻LSTM的輸入；y(t)表示t時刻LSTM的輸出；V、W均表示輸入占比權重矩陣；b表示偏置矩陣；

所述步驟3的具體過程為：

步驟3.1：通過堆疊空洞卷積挖掘時間卷積網絡(TCN)的輸入與輸出之間的時空特征，輸出下一時刻的風電功率值，其中，t時刻歷史風機運行狀態(tài)的空洞卷積為：

其中，S＝{S₀,S₁,...S_A-1}，S表示輸入時間序列；s_t表示t時刻下的特征向量，t的取值范圍為[0,A-1]；d表示膨脹因子；a表示求和符號中的下標，A表示濾波器大小，濾波器為F＝{F₀,F₁,...F_A-1}；*_d表示以d為膨脹因子進行空洞卷積；s_t-d(A-a)表示第t-d(A-a)個輸入序列向量，t-d(A-a)的取值范圍為[t-A,t]；

步驟3.2：在時間卷積網絡(TCN)模型中引入殘差模塊，將初始輸入數據，即歷史風機運行狀態(tài)數據經過兩次時間卷積網絡(TCN)處理后得到的預測數據進行求和運算，在對該求和輸出求偏導時剩余一個常數項，在反向傳播的過程中，保證梯度連乘時不會出現(xiàn)梯度消失的現(xiàn)象。