申请/专利权人：四川大学

申请日：2023-10-25

公开（公告）日：2024-04-30

公开（公告）号：CN117313043B

主分类号：G06F18/27

分类号：G06F18/27;G06N3/0442;G06N3/08;H02J3/00;G06Q50/06

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2024.01.16#实质审查的生效;2023.12.29#公开

摘要：本发明公开了一种风力发电功率预测方法，包括：S1、采集风电发电厂的历史风电数据和气象预测数据；S2、对采集数据进行CEEMD处理，获得IMF分量；S3、基于IMF分量，利用PSO算法处理确定LSTM模型的最优超参数；S4、基于最优超参数构建LSTM模型，并利用IMF分量对其训练，获得训练好的风电功率预测模型；S5、利用风电功率预测模型对历史风电功率数据和气象数据进行处理，获得功率预测结果。本发明在对风电功率预测时，通过异常值处理、CEEMD算法对历史风电数据进行预处理，用PSO寻找LSTM最优超参数，LSTM模型可结合数据时间相关性对长序列数据进行预测，提高了短期风电功率预测的精度。

主权项：1.一种风力发电功率预测方法，其特征在于，包括以下步骤：S1、采集风电发电厂的历史风电数据和气象预测数据；S2、对历史风电数据和气象预测数据进行CEEMD处理，获得对应的IMF分量；S3、基于IMF分量，利用PSO算法处理确定LSTM模型的最优超参数；S4、基于确定的最优超参数构建结合注意力机制的LSTM模型，并利用IMF分量对其训练，获得训练好的风电功率预测模型；S5、利用风电功率预测模型对历史风电功率数据和气象数据进行处理，获得功率预测结果；所述步骤S4中，构建的结合注意力机制的LSTM模型包括依次连接的LSTM层和注意力层，所述LSTM层包括记忆元，每个记忆元包括输入门、遗忘门和输出门；在所述LSTM层中，输入门It的表达式为：It＝σXtWxi+Ht-1Whi+ni式中，σ为带有ReLU激活函数的全连接层，Xt为输入数据，Wxi为输入门中输入数据的权重参数，Ht-1为前一时间步的隐状态，Whi为输入门中隐状态的权重参数，ni为输入门偏置参数；遗忘门Ft的表达式为：Ft＝σXtWxf+Ht-1Whf+bf式中，Wxf为遗忘门中输入数据的权重参数，Whf为遗忘门中隐状态的权重参数，bf为遗忘门偏置参数；输出门Ot的表达式为：Ot＝σXtWxo+Ht-1Who+no式中，Wxo为输出门中输入数据的权重参数，Who为输入门中隐状态的权重参数，no为输出门偏置参数；候选记忆元的运行表达式为： 式中，Wxc为候选记忆元中输入数据的权重参数，Whc为后续记忆元中隐状态的权重参数，nc为后续记忆元偏置参数；记忆元Ct的运行表达式为： 隐状态Ht的表达式为：Ht＝Ot⊙tanhCt式中，⊙为Hadamard积，tanh·为tanh非线性激活函数；所述注意力层采用非参数注意力汇聚，其表达式为： 式中，xi为第i项历史风电数据或气象数据，xm为输入到LSTM层中的矩阵并从Xt中获得，ym为xm对应的风电功率并从Ot中获得，Dt为LSTM模型的最终输出结果，ki为第i项元素为ωi其余元素为零的列矩阵，Ht为t时间步的隐状态，ωi为记忆元运行各时间步隐状态分配对应权重。

全文数据：

权利要求：

百度查询： 四川大学 一种风力发电功率预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD