(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111398040.2 (22)申请日 2021.11.24 (65)同一申请的已公布的文献号 申请公布号 CN 113824115 A (43)申请公布日 2021.12.21 (73)专利权人 中国电力科 学研究院有限公司 地址 100192 北京市海淀区清河小营东路 15号 (72)发明人 李少林　杨宁宁　秦世耀　代林旺　 贺敬　张梅　李春彦　曲春辉　 苗凤麟　李建立　 (74)专利代理 机构 北京安博达知识产权代理有 限公司 1 1271 代理人 徐国文(51)Int.Cl. H02J 3/00(2006.01) H02J 3/24(2006.01) H02J 3/38(2006.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06F 113/06(2020.01) G06F 113/04(2020.01) 审查员 卢娟 (54)发明名称 一种风电调频能量预测方法、 系统及计算机 设备 (57)摘要 一种风电调频能量预测方法、 系统及计算机 设备， 包括： 基于获取的确定历史时长内的历史 风速数据和风机地理位置信息分别构建历史风 速时序数据表和所述历史风速空间数据表， 并将 历史风速时序数据表和历史风速空间数据表分 别输入LTC网络链路和卷积神经网络链路， 得到 欠考虑风机相互影响的预测信息和考虑风机相 互影响的预测 信息； 将欠考虑风机相互影响的预 测信息和考虑风机相互影响的预测信息相加后 依次经过两层全 连接和修正线性单元， 得到最终 预测风速表； 基于最终预测风速表中各风机在每 个时刻的风速计算风电场调频能量。 本发明采用 了LTC网络链路+卷积神经网络链路的方式对风 机风速进行预测， 实现了计算 成本低且精度高的 效果。 权利要求书3页 说明书9页 附图2页 CN 113824115 B 2022.03.08 CN 113824115 B 1.一种风电调频能量预测方法， 其特 征在于， 包括： 基于获取的确定历史时长内的历史风速数据和风机地理位置信息分别构建历史风速 时序数据 表和历史风速空间数据 表， 并将所述历史风速时序数据 表和所述历史风速空间数 据表分别作为LTC网络链路和卷积神经网络链路的输入， 由所述LTC网络链路和所述卷积神 经网络链路分别输出欠 考虑风机相互影响的预测信息和考虑风机相互影响的预测信息； 将所述欠考虑风机相互影响的预测信息和所述考虑风机相互影响的预测信息相加后 依次经过两层全连接和修 正线性单 元， 得到最终预测风速表； 基于所述 最终预测风速表中各风机在每 个时刻的风速计算 风电场调频能量； 所述基于获取的确定历史时长内的历史风速数据构建历史风速时序数据表， 包括： 基于获取的确定历史时长内的历史风速数据按照设定的风速采样率确定各风机在确 定历史时长内各采样时刻的风速值； 将每个风机在确定历史时长 内各采样时刻的风速值按照发生 时刻的倒序排成一行， 并 由所有的风机在确定历史时长内各采样时刻的风速值构成的所有行组成历史风速时序数 据表； 所述基于获取的确定历史时长内的历史风速数据和风机地理位置信息构建历史风速 空间数据表， 包括： 基于风机个数确定历史风速空间数据表的大小； 基于所述 风机地理位置信息确定历史风速空间数据表的风机排 位； 基于所述确定历史时长内的历史风速数据按照设定的风速采样率确定各风机在确定 历史时长内各采样时刻的风速值； 将各风机在确定历史时长内各采样时刻的风速值按照所述历史风速空间数据表的风 机排位依次放入所述历史风速空间数据表中， 得到历史风速空间数据表。 2.如权利要求1所述的方法， 其特征在于， 所述将所述历史风速时序数据表作为LTC网 络链路的输入， 由所述 LTC网络链路输出欠 考虑风机相互影响的预测信息， 包括： 将所述历史风速时序数据表依次输入到LTC网络链路中的LTC1网络、 LTC2网络、 全连接 层FC1和修 正线性单 元中， 得到欠 考虑风机相互影响的预测信息 。 3.如权利要求1所述的方法， 其特征在于， 所述将所述历史风速空间数据表作为所述卷 积神经网络链路的输入， 由所述卷积神经网络链路输出考虑风机相互影响的预测信息， 包 括： 将所述历史风速空间数据表依次输入到卷积神经网络链路的卷积层Conv1、 最大池化 层MaxPool1、 卷积层Conv2、 最大池化成MaxPool2、 全连接层FC2、 全 连接层FC3和修正线性单 元， 得到考虑风机相互影响的预测信息 。 4.如权利要求1所述的方法， 其特征在于， 所述将所述欠考虑风机相互影响的预测信 息 和所述考虑风机相互影响的预测信息相加依次经过两层 全连接和修正线性单元， 得到最 终 预测风速表， 包括： 将所述欠考虑风机相互影响的预测信息和所述考虑风机相互影响的预测信息相加经 过全连接FC4、 全连接FC 5和修正线性单 元Linear输出最终预测风速； 其中， 所述 最终预测风速包括： 每台风机在各采样时刻的最终风速预测值。 5.如权利要求1所述的方法， 其特征在于， 所述基于所述最终预测风速表中各风机在每权　利　要　求　书 1/3 页 2 CN 113824115 B 2个时刻的风速计算 风电场调频能量， 包括： 基于所述最终预测风速表中各风机在每个时刻的风速计算每一台风机在每个时刻的 功率； 将所有风机在同一时刻的功率求和得到由所有风机组成的风电场在所述时刻的调频 能量。 6.如权利要求5所述的方法， 其特征在于， 所述每一台风机在每个时刻的功率按下式计 算： 式中， 为一台风机在某一时刻的功率， 为第i台风机的风能利用系数，   为空气 密度，R为叶轮半径， 为第i台风机在第j时刻的风速值。 7.如权利要求5所述的方法， 其特 征在于， 所述调频能量按下式计算： 式中， 为风电场在某时刻的调频能量， 为一台风机在某一时刻的功率， n为 风机的台数， i 为风机的编号。 8.一种风电调频能量预测系统， 其特 征在于， 包括： 预测模块， 用于基于获取的确定历史时长 内的历史风速数据和风机地理位置信 息分别 构建历史风速时序数据表和历史风速空间数据表， 并将所述历史风速时序数据表和历史风 速空间数据 表分别作为LTC网络链路和卷积神经网络链路的输入， 由所述LTC网络链路和所 述卷积神经网络链路分别输出欠考虑风机相互影响的预测信息和 考虑风机相互影响的预 测信息； 综合预测模块， 用于将所述欠考虑风机相互影响的预测信 息和所述考虑风机相互影响 的预测信息相加后依次经 过两层全连接和修 正线性单 元， 得到最终预测风速表； 调频能量计算模块， 用于基于所述最终预测风速表中各风机在每个时刻的风速计算风 电场调频能量； 所述预测模块包括： 第一预测模块和第二预测模块； 所述第一预测模块， 用于基于所述确定历史时长的历史风速数据构建历史风速时序 数 据表， 并基于所述历史风速时序数据 表输入到所述LTC网络链路中， 得到欠考虑风机相互影 响的预测信息； 所述第二预测模块， 用于基于所述确定历史时长的历史风速数据和获取的风机地理位 置确定历史风速空间数据表， 并将所述历史风速空间数据表输入到所述卷积神经网络链 路， 得到考虑风机相互影响的预测信息； 所述第一预测模块， 包括： 风速值确定子模块， 用于基于获取的确定历史时长内的历史风速数据按照设定的风速 采样率确定各风机在确定历史时长内各采样时刻的风速值；权　利　要　求　书 2/3 页 3 CN 113824115 B 3