基于时空特性融合的卷积神经网络进行风电功率预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110782071A(43)申请公布日2020.02.11(21)申请号201910914143.6G06K9/62(2006.01)(22)申请日2019.09.25(71)申请人天津大学地址300350天津市津南区海河教育园雅观路135号天津大学北洋园校区(72)发明人李雪威尤波于瑞国喻梅于健张琢高洁刘志强陈世展(74)专利代理机构天津市北洋有限责任专利代理事务所12201代理人刘子文(51)Int.Cl.G06Q10/04(2012.01)G06Q50/06(2012.01)G06N3/04(2006.01)权利要求书1页说明书4页附图4页(54)发明名称基于时空特性融合的卷积神经网络进行风电功率预测方法(57)摘要本发明公开一种基于时空特性融合的卷积神经网络进行风电功率预测方法，包括以下步骤：步骤一，构建多特征模型，提取与风相关信息的时空特征，并将这些时空特征融合到一起，共同作为卷积神经网络模型的输入；步骤二，构建卷积神经网络模型，拟合风能数据变化的趋势，结合步骤一中得到的时空特征进行风能预测；步骤三，分别选取涡轮机分布稠密和稀疏的两片区域作为数据集以进行实验；步骤四，通过选取均方误差、均方根误差和峰值信噪比指标验证本发明的有效性。本发明在提取特征方面，更为有效和先进。同时本发明构造的卷积神经网络和其他方法提出的卷积神经网络相比，也更为先进，可以有效的解决机器学习中梯度消失的问题，更符合风电功率的实际变化情况。CN110782071ACN110782071A权利要求书1/1页1.基于时空特性融合的卷积神经网络进行风电功率预测方法，其特征在于，包括以下步骤：步骤一，构建多特征模型，提取与风相关信息的时空特征，并将这些时空特征融合到一起，共同作为卷积神经网络模型的输入；步骤二，构建卷积神经网络模型，拟合风能数据变化的趋势，结合步骤一中得到的时空特征进行风能预测；步骤三，分别选取涡轮机分布稠密和稀疏的两片区域作为数据集以进行实验；步骤四，通过选取均方误差、均方根误差和峰值信噪比指标验证本发明的有效性。2.根据权利要求1所述基于时空特性融合的卷积神经网络进行风电功率预测方法，其特征在于，步骤一中具体步骤如下：在一段连续的时间内，选取10分钟的时间间隔，将涡轮机收集到的每种与风相关的信息都通过时空特征的构造方法，构造成二维图像，将上述二维图像按照时间序列排序；在二维图像时间序列的组合中，每张二维图像独立表示空间信息，一张以上二维图像时间序列的组合表示时间信息；因此，上述二维图像时间序列的组合能够综合全面的表达区域内的时空信息；最后将二维图像时间序列组合连接起来，共同作为构造的卷积神经网络模型的输入。3.根据权利要求1所述基于时空特性融合的卷积神经网络进行风电功率预测方法，其特征在于，步骤二具体包括以下步骤：(301)接收到二维图像时间序列组合后，进行卷积，充分提取特征；(302)通过一个池化层，提取深度特征，缩小图像的大小；(303)进行多层卷积；在每一层卷积后，保存当时的输出结果；(304)将每一层卷积的输出结果进行整合，用全连接将每一层卷积后保存的输出结果连接起来，然后与一个全连接的神经网络连接，将深层特征映射到各涡轮的输出端；(305)与一个全连通层连接，重新塑造为二维图像，并逐个将输出图像与输入图像的像素进行映射。4.根据权利要求1所述基于时空特性融合的卷积神经网络进行风电功率预测方法，其特征在于，步骤三中在特征选取方面，结合提出的卷积神经网络模型，选取十分钟为间隔提取历史特征以进行实验。2CN110782071A说明书1/4页基于时空特性融合的卷积神经网络进行风电功率预测方法技术领域[0001]本发明涉及卷积神经网络、均方误差、均方根误差和峰值信噪比等深度学习领域的概念和方法；特别是涉及基于时空特性融合的卷积神经网络进行风电功率预测的方法。背景技术[0002]风能作为一种新兴的可大规模开发利用的重要可再生能源，在电力系统中得到了迅猛的发展。全球风能理事会(GWEC)预测，到2020年，风力发电能力将达到3.2亿千瓦。然而，由于风速和风向的影响，涡轮机组的随机性和波动性是不可避免的，因此，准确的风能预测对电力系统运行的安全性和稳定性是至关重要的。准确的风能预测可以增强对风电的可控性，保证电网的稳定运行，降低风力发电的成本，提高电网接受风力发电的能力。同时，准确的风能预测不仅对于电力系统的可靠性起着重要的作用,而且也为决策提供了指。近年来，许多学者致力于开发高效可靠的风速和风力预测模型，并提出了许多不同的方法。目前用来预测风力发电的主要方法包括：物理方法，统计方法，和机器学习方法。物理预测模型利用历史风速、地形特征数据和许多气象数据(大气压、温度