[發(fā)明專利]一種CNN+GRU融合的超短時(shí)風(fēng)速預(yù)測(cè)方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202211407115.3
• 申請(qǐng)日: 2022-11-10
• 公開(kāi)（公告）號(hào): CN115689039A
• 公開(kāi)（公告）日: 2023-02-03
• 發(fā)明（設(shè)計(jì)）人: 王青天;劉雅欣;張燧;溫晗秋子;王蕓靖;黃思皖
• 申請(qǐng)（專利權(quán)）人: 中國(guó)華能集團(tuán)清潔能源技術(shù)研究院有限公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06N3/08;G06N3/0464
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 陳翠蘭

本發(fā)明公開(kāi)了一種CNN+GRU融合的超短時(shí)風(fēng)速預(yù)測(cè)方法及系統(tǒng)，S1，獲取機(jī)組運(yùn)行數(shù)據(jù)和氣象數(shù)據(jù)；S2，進(jìn)行建模數(shù)據(jù)準(zhǔn)備，數(shù)據(jù)準(zhǔn)備包括機(jī)組數(shù)據(jù)準(zhǔn)備、氣象數(shù)據(jù)準(zhǔn)備和趨勢(shì)特征提取；機(jī)組數(shù)據(jù)準(zhǔn)備包括目標(biāo)機(jī)組數(shù)據(jù)重構(gòu)與臨近機(jī)組甄選；S3，根據(jù)準(zhǔn)備好的數(shù)據(jù)構(gòu)建臨近機(jī)組CNN模塊、目標(biāo)機(jī)組CNN模塊、氣象GRU模塊和趨勢(shì)特征GRU模塊，將四個(gè)模塊進(jìn)行特征融合，并進(jìn)行模型訓(xùn)練與參數(shù)優(yōu)化；S4，采用訓(xùn)練好的最優(yōu)模型對(duì)待預(yù)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到風(fēng)速預(yù)測(cè)結(jié)果。結(jié)合機(jī)組運(yùn)行數(shù)據(jù)的特點(diǎn)與氣象數(shù)據(jù)的特性，實(shí)現(xiàn)風(fēng)電機(jī)組超短時(shí)風(fēng)速預(yù)測(cè)功能。

技術(shù)領(lǐng)域

本發(fā)明屬于風(fēng)電機(jī)組領(lǐng)域，涉及一種CNN+GRU融合的超短時(shí)風(fēng)速預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)

風(fēng)電機(jī)組的運(yùn)行環(huán)境惡劣、風(fēng)況復(fù)雜，特別是在復(fù)雜山地，風(fēng)速、風(fēng)向的變化多樣，對(duì)機(jī)組的疲勞沖擊越來(lái)越明顯。因此，如果能夠提供準(zhǔn)備的風(fēng)速、風(fēng)向預(yù)測(cè)就可以嘗試前饋控制，提前對(duì)極端風(fēng)況進(jìn)行控制策略調(diào)整，以應(yīng)對(duì)極端風(fēng)況變化。目前，機(jī)組的控制器PLC基于毫秒級(jí)的數(shù)據(jù)進(jìn)行控制策略調(diào)整，但由于風(fēng)速的波動(dòng)性，至少需要秒級(jí)的風(fēng)速預(yù)測(cè)值才能夠滿足前饋控制要求。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的缺點(diǎn)，提供一種CNN+GRU融合的超短時(shí)風(fēng)速預(yù)測(cè)方法及系統(tǒng)，結(jié)合機(jī)組運(yùn)行數(shù)據(jù)的特點(diǎn)與氣象數(shù)據(jù)的特性，實(shí)現(xiàn)風(fēng)電機(jī)組超短時(shí)風(fēng)速預(yù)測(cè)功能。

為達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案予以實(shí)現(xiàn)：

一種CNN+GRU融合的超短時(shí)風(fēng)速預(yù)測(cè)方法，包括以下過(guò)程：

S1，獲取機(jī)組運(yùn)行數(shù)據(jù)和氣象數(shù)據(jù)；

S2，進(jìn)行建模數(shù)據(jù)準(zhǔn)備，數(shù)據(jù)準(zhǔn)備包括機(jī)組數(shù)據(jù)準(zhǔn)備、氣象數(shù)據(jù)準(zhǔn)備和趨勢(shì)特征提??；機(jī)組數(shù)據(jù)準(zhǔn)備包括目標(biāo)機(jī)組數(shù)據(jù)重構(gòu)與臨近機(jī)組甄選；

S3，根據(jù)準(zhǔn)備好的數(shù)據(jù)構(gòu)建臨近機(jī)組CNN模塊、目標(biāo)機(jī)組CNN模塊、氣象GRU模塊和趨勢(shì)特征GRU模塊，將四個(gè)模塊進(jìn)行特征融合，并進(jìn)行模型訓(xùn)練與參數(shù)優(yōu)化；

S4，采用訓(xùn)練好的最優(yōu)模型對(duì)待預(yù)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到風(fēng)速預(yù)測(cè)結(jié)果。

優(yōu)選的，S1中，機(jī)組運(yùn)行數(shù)據(jù)包括風(fēng)速、風(fēng)向、功率、轉(zhuǎn)速、槳距角、環(huán)境溫度和環(huán)境濕度，氣象數(shù)據(jù)包括風(fēng)速和風(fēng)向。

優(yōu)選的，S1中，氣象數(shù)據(jù)的時(shí)間分辨率為1h，機(jī)組運(yùn)行數(shù)據(jù)的時(shí)間分辨率30s。

優(yōu)選的，S2中，目標(biāo)機(jī)組數(shù)據(jù)重構(gòu)的過(guò)程為：將不同維度的數(shù)據(jù)看作不同的通道，每個(gè)通道的數(shù)據(jù)進(jìn)行數(shù)據(jù)重構(gòu)，形成一個(gè)矩陣，完成目標(biāo)機(jī)組數(shù)據(jù)構(gòu)造，再進(jìn)行臨近機(jī)組甄選。

進(jìn)一步，臨近機(jī)組甄選的方法為兩種，兩種任選其一，一種方法為采用機(jī)組聚類的方法進(jìn)行機(jī)組分組，將每個(gè)聚類結(jié)果作為一個(gè)組，每個(gè)組內(nèi)的機(jī)組互為臨近機(jī)組，在目標(biāo)機(jī)組預(yù)測(cè)時(shí)，參考目標(biāo)機(jī)組所在組內(nèi)的其他機(jī)組的風(fēng)速特征；

另一種方法為通過(guò)相關(guān)性分析，將與目標(biāo)機(jī)組風(fēng)速相關(guān)性較高的機(jī)組作為臨近機(jī)組，計(jì)算相關(guān)系數(shù)，將計(jì)算得到相關(guān)系數(shù)進(jìn)行排序，取出相關(guān)系數(shù)較大的作為目標(biāo)機(jī)組的臨近機(jī)組。

優(yōu)選的，S2中，趨勢(shì)特征提取包括機(jī)組數(shù)據(jù)的趨勢(shì)特征和氣象數(shù)據(jù)的趨勢(shì)特征，機(jī)組數(shù)據(jù)的趨勢(shì)特征將過(guò)去一小時(shí)作為時(shí)間窗口，提取時(shí)間窗口內(nèi)的統(tǒng)計(jì)特征；氣象數(shù)據(jù)提取趨勢(shì)特征，計(jì)算過(guò)去10小時(shí)內(nèi)最后一個(gè)點(diǎn)與第一個(gè)點(diǎn)的差值。

優(yōu)選的，S3中，臨近機(jī)組甄選出的數(shù)據(jù)經(jīng)過(guò)多層CNN塊進(jìn)行特征提取，目標(biāo)機(jī)組數(shù)據(jù)經(jīng)過(guò)多層CNN塊進(jìn)行特征提取，氣象數(shù)據(jù)經(jīng)過(guò)多層GRU塊進(jìn)行特征提取，趨勢(shì)特征數(shù)據(jù)經(jīng)過(guò)多層GRU塊進(jìn)行特征提取，提取完的四部分特征經(jīng)過(guò)concatenate層進(jìn)行連接，并經(jīng)過(guò)Attenion層給予不同的特征以不同的權(quán)重信心，最后經(jīng)過(guò)FC層級(jí)多層的DNN網(wǎng)絡(luò)增加模型的預(yù)測(cè)能力，最后一層DNN網(wǎng)絡(luò)為輸出層。

一種CNN+GRU融合的超短時(shí)風(fēng)速預(yù)測(cè)系統(tǒng)，包括：