(19)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 202111585164.1 (22)申请日 2021.12.2 2 (65)同一申请的已公布的文献号 申请公布号 CN 114429078 A (43)申请公布日 2022.05.03 (73)专利权人 广东工业大 学 地址 510090 广东省广州市越秀区东 风东 路729号 (72)发明人 殷豪　王陈恩　孟安波　许炫淙　 丁伟锋　梁濡铎　陈黍　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 牛念 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/23(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 113/06(2020.01) G06F 119/06(2020.01) G06F 119/08(2020.01) (56)对比文件 CN 112308322 A,2021.02.02 CN 102682 207 A,2012.09.19 CN 108520 094 A,2018.09.1 1 CN 106650982 A,2017.0 5.10 CN 106529741 A,2017.0 3.22 CN 112653142 A,2021.04.13 US 20182 23812 A1,2018.08.09 胡帅.计及气象因素和风速空间相关性的风 电功率预测模型. 《电力系统自动化》 .2020,第 28-36页. Hu Tianyu.Very short-term spatial and temporal w ind power forecasti ng: A de ep learning approach. 《CSEE Journal of Po wer and Energy System s》 .2019,434-4 43. 审查员 伍小晴 (54)发明名称 一种短期风电功率预测方法及系统 (57)摘要 本发明公开一种短期风电功率预测方法及 系统， 先需要获取不同地理位置的风电场的气象 特征参数， 在经过初步处理后， 构成特征矩阵输 入预测模型， 采用预测模型中的空间注意力机制 挖掘不同风电场与目标风电场的空间关系， 再经 由门控循环单元网络挖掘特征矩 阵中存在的隐 含关系， 之后采用纵横交叉优化算法优化门控循 环单元网络中的超参数矩 阵完成预测模型的训 练， 最后使用预测模型进行风电功率的预测。 本 发明能够实现邻近风电场对目标风电场影响程 度的量化， 以提高风电功率的预测精度。 权利要求书3页 说明书7页 附图3页 CN 114429078 B 2022.10.18 CN 114429078 B 1.一种短期风电功率预测方法， 其特 征在于， 包括以下步骤： S1： 获取目标风电场及邻近风电场的功率、 风速、 风向和温度数据， 并进行初步处 理； S2： 将处理后的风电场功率、 风速、 风向、 温度数据构成特 征矩阵X； S3： 构建包括空间注意力机制和门控循环单 元网络的预测模型； S4： 将特征矩阵X输入到预测模型， 通过预测模型中的空间注意力机制挖掘不同风电场 与目标风电场的空间关系， 并根据 挖掘到的空间关系， 分别给予对应风电场相应的权 重； S5： 将赋予权重后的特征矩阵X*输送至门控循环单元网络， 门控循环单元网络挖掘特 征矩阵X*中存在的隐含关系； S6： 预测模型采用纵横交叉优化算法优化门控循环单元网络中的超参数矩阵θ， 完成预 测模型的训练； S7： 使用训练好的预测模型， 预测目标风电场的功率， 获得对应风电场的功率时间序 列； 步骤S1中， 数据进行初步处 理的具体过程如下： 将功率序列、 风速序列、 温度序列采用min ‑max归一化处理， 获得处理后的功率序列P、 风速序列WS和温度序列Tem， 而风 向序列则采用正余弦处理， 获得风 向正弦WDS和风 向余弦 WDC； 骤S2中， X＝[D1,D2,...,Dm]， 其中Dm表示第m个风电场t ‑1到t‑n时刻的特征构成的矩阵， Dm的具体表达形式为： 式中， 和 分别表示第m个风电场t ‑n时刻风电 场的功率、 风速、 风向正弦、 风向余弦和温度； 步骤S4中的空间注意力 机制包含两层神经网络， 输入层和输出层的神经元数量与风电 场数量相同， 均为m个； w＝f(WX+b) 式中， W、 b为空间注意力机制中全连接层的权重和偏置， f()为激活函数， w为未归一化 的风电场权重序列， α 为各个风电场对目标风电场功 率的影响程度序列， 且满足以下关系： w ＝[w1,w2,...,wm]和α ＝[α1, α2,..., αm]， 其中， wi为第i个未归一化的风电场权重， αi为第i个 风电场对目标风电场功率的影响程度； 在步骤S4中， 空间注意力机制挖掘空间关系后， 权 重的给予具体过程如下： 将获得的权 重， 分别与对应风电场的特 征相乘， 即得到赋权后的特 征矩阵X*； X*＝X⊙α X*＝[α1D1, α2D2,..., αmDm]权　利　要　求　书 1/3 页 2 CN 114429078 B 2步骤S5中， 门控循环单 元网络的构建如下： 以X*为输入， 搭建两层门控循环单 元网络， 神经 元数量分别为 4和8， 激活函数为tanh； 式中， Wr、 Wz、 Wh、 Ur、 Uz、 Uh为权重参数矩阵， br、 bz、 bh为偏置参数矩阵， 为矩阵乘法， σ 为 Sigmod函数， rt为重置门， zt为更新门， 为当前时刻隐含层的候选状态， yt为当前隐含状 态， yt‑1为前一时刻的隐含状态， xt为当前时刻的输入状态。 2.根据权利要求1所述的短期风电功率预测方法， 其特征在于， 步骤S6中， 超参数矩阵θ 是由门控循环单 元网络输出层的权 重参数和偏置参数构成的， 如下式： θ ＝[Wz,Wr,Wh,Uz,Ur,Uh,bz,br,bh]。 3.根据权利要求2所述的短期风电功率预测方法， 其特征在于， 步骤S6中， 采用纵横交 叉优化算法优化门控循环单 元网络中的超参数矩阵θ 的具体过程如下： 纵横交叉优化算法以初步训练后的超参数矩阵θ为初始值， 经过多次迭代后， 得到更优 的超参数矩阵θ * 。 4.根据权利要求3所述的短期风电功率预测方法， 其特征在于， 纵横交叉优化算法进行 优化迭代的具体步骤如下： S61： 以提高预测精度为目标， 纵横交叉优化算法采用 均方根误差最小为适应度函数， 如下式； 式中， fobj为适应度函数， N 为样本数量， 和 分别表示真实值和预测值； S62： 参数中的父代粒子θ(i)和 θ(j)随机 选择第n维相互 交叉； 式中， MShc(i,n)、 MShc(j,n)分别是θ(i,n)和 θ(j,n)横向交叉产生的第n维子代， r1、 r2和 c1、 c2分别为(0,1)和( ‑1,1)的随机 数， θ(i,n)为粒子θ(i)的第n维， θ(j,n)为粒子θ(j)的第 n维； S63： 参数中的父代粒子θ(q)随机 选择第v维和第k维相互 交叉； MSvc(q,v)＝r θ(q,v)+(1 ‑r)θ(q,k) 式中， MSvc(q,v)是θ(q,v)和θ(q,k)纵向交叉产生的第v维子代， r为(0,1)的随机数， θ (q,v)为粒子θ(q)的第v维， θ(q,k)为粒子θ(q)的第k维； S64： 根据设置的迭代次数， 重复步骤S62和S6 3， 达到预设的迭代次数时停止迭代。 5.一种短期风电功率预测系统， 其特征在于， 用于实现上述权利要求1的短期风电功率 预测方法， 系统包括 通讯连接的获取模块和处 理模块；权　利　要　求　书 2/3 页 3 CN 114429078 B 3