【技術(shù)實現(xiàn)步驟摘要】
本申請涉及風力發(fā)電，具體地涉及一種基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法及電子設(shè)備。
技術(shù)介紹
1、目前，風力發(fā)電功率預(yù)測主要是以氣象數(shù)據(jù)和歷史功率數(shù)據(jù)為基礎(chǔ)的方法。其中，氣象數(shù)據(jù)包括風力、風速、風向、溫度以及濕度等數(shù)據(jù)，歷史功率數(shù)據(jù)用于建立預(yù)測模型。常用的預(yù)測模型包括人工神經(jīng)網(wǎng)絡(luò)、支持向量機以及回歸分析等模型，這些預(yù)測模型可以將氣象數(shù)據(jù)與歷史功率數(shù)據(jù)進行關(guān)聯(lián)，并通過訓(xùn)練后的預(yù)測模型獲得風力發(fā)電功率的預(yù)測結(jié)果。
2、現(xiàn)有技術(shù)中，風力發(fā)電功率預(yù)測方法主要有：基于統(tǒng)計方法的風力發(fā)電功率預(yù)測和基于物理模型的風力發(fā)電功率預(yù)測。然而，這兩種預(yù)測方法的預(yù)測精度較低、準確性較差。因此，如何提高風力發(fā)電功率的預(yù)測精度和準確性成為尚待解決的問題。
技術(shù)實現(xiàn)思路
1、本申請的目的是提供一種基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法，可以解決現(xiàn)有技術(shù)中的風力發(fā)電功率的預(yù)測精度較低、準確性較差的問題。
2、第一方面，本申請實施例提供了一種基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法，該方法包括：
3、獲取時間序列氣象數(shù)據(jù)；
4、基于訓(xùn)練后的風力發(fā)電功率預(yù)測模型中的編碼器-解碼器模塊對時間序列氣象數(shù)據(jù)進行重建，得到重建數(shù)據(jù)；
5、基于訓(xùn)練后的風力發(fā)電功率預(yù)測模型中的legendre多項式投影模塊，將重建數(shù)據(jù)投影到legendre多項式空間進行特征提取，得到特征向量；
6、基于訓(xùn)練后的風力發(fā)電功率預(yù)測模型中的傅里葉變換模塊對特征向量進行頻譜卷積處理，得到頻譜卷
7、基于訓(xùn)練后的風力發(fā)電功率預(yù)測模型中的多層感知機模塊對頻譜卷積后的數(shù)據(jù)進行處理，得到風力發(fā)電功率。
8、在第一方面的一種可能的實現(xiàn)方式中，在獲取時間序列氣象數(shù)據(jù)之后，該方法還包括：
9、對時間序列氣象數(shù)據(jù)進行平均池化下采樣，得到下采樣后的數(shù)據(jù)，下采樣后的數(shù)據(jù)的表達式如下：
10、
11、其中，表示下采樣后的數(shù)據(jù)，t表示時間，k表示池化窗口大小，i表示序數(shù)，x(t)表示時間序列氣象數(shù)據(jù)，x(i)表示將x(t)中的t替換為的i時間序列氣象數(shù)據(jù)。
12、在第一方面的一種可能的實現(xiàn)方式中，基于訓(xùn)練后的風力發(fā)電功率預(yù)測模型中的編碼器-解碼器模塊對時間序列氣象數(shù)據(jù)進行重建，得到重建數(shù)據(jù)，包括：
13、基于編碼器將下采樣后的數(shù)據(jù)編碼為隱含表示，具體的表達式如下：
14、
15、其中，h(t)表示隱含表示，encoder表示編碼器，表示下采樣后的數(shù)據(jù)；
16、基于解碼器將隱含表示解碼為重建數(shù)據(jù)，具體的表達式如下：
17、
18、其中，表示重建數(shù)據(jù)，decoder表示解碼器。
19、在第一方面的一種可能的實現(xiàn)方式中，編碼器包括若干層神經(jīng)網(wǎng)絡(luò)，解碼器包括若干層神經(jīng)網(wǎng)絡(luò)；基于編碼器將下采樣后的數(shù)據(jù)編碼為隱含表示，包括：
20、基于若干層神經(jīng)網(wǎng)絡(luò)將下采樣后的數(shù)據(jù)編碼為隱含表示，編碼器的每一層神經(jīng)網(wǎng)絡(luò)的輸出的表達式如下：
21、hl＝f(wlhl-1+bl)
22、其中，hl表示編碼器的第l層神經(jīng)網(wǎng)絡(luò)的輸出，l表示每一層神經(jīng)網(wǎng)絡(luò)的索引，f表示編碼器的激活函數(shù)，wl表示編碼器的第l層的權(quán)重矩陣，hl-1表示編碼器的第l-1層神經(jīng)網(wǎng)絡(luò)的輸出，bl表示編碼器的第l層的偏置向量；
23、編碼器最終輸出的隱含表示的表達式如下：
24、h(t)＝hl
25、其中，h(t)表示隱含表示，l表示編碼器的神經(jīng)網(wǎng)絡(luò)的總層數(shù)，hl表示編碼器的最后一層神經(jīng)網(wǎng)絡(luò)的輸出。
26、在第一方面的一種可能的實現(xiàn)方式中，基于解碼器將隱含表示解碼為重建數(shù)據(jù)，包括：
27、基于若干層神經(jīng)網(wǎng)絡(luò)將隱含表示轉(zhuǎn)換為重建數(shù)據(jù)，解碼器的每一層神經(jīng)網(wǎng)絡(luò)的輸出的表達式如下：
28、dl＝g(wl′dl-1+bl′)
29、其中，dl表示解碼器的第l層神經(jīng)網(wǎng)絡(luò)的輸出，g表示解碼器的激活函數(shù)，wl′表示解碼器的第l層的權(quán)重矩陣，dl-1表示解碼器的第l-1層神經(jīng)網(wǎng)絡(luò)的輸出，bl′表示解碼器的第l層的偏置向量；
30、編碼器最終輸出的重建數(shù)據(jù)的表達式如下：
31、
32、其中，表示重建數(shù)據(jù)，l′表示解碼器的神經(jīng)網(wǎng)絡(luò)的總層數(shù)，dl′表示解碼器的最后一層神經(jīng)網(wǎng)絡(luò)的輸出。
33、在第一方面的一種可能的實現(xiàn)方式中，在基于訓(xùn)練后的風力發(fā)電功率預(yù)測模型中的legendre多項式投影模塊將重建數(shù)據(jù)投影到legendre多項式空間進行特征提取得到特征向量之前，該方法還包括：
34、基于訓(xùn)練后的風力發(fā)電功率預(yù)測模型中的數(shù)據(jù)歸一化模塊對重建數(shù)據(jù)進行數(shù)據(jù)歸一化處理，得到數(shù)據(jù)歸一化處理后的重建數(shù)據(jù)，數(shù)據(jù)歸一化處理后的重建數(shù)據(jù)的表達式如下：
35、
36、其中，表示數(shù)據(jù)歸一化處理后的重建數(shù)據(jù)，表示重建數(shù)據(jù)，μ1表示重建數(shù)據(jù)的均值，σ1表示重建數(shù)據(jù)的標準差。
37、在第一方面的一種可能的實現(xiàn)方式中，基于訓(xùn)練后的風力發(fā)電功率預(yù)測模型中的legendre多項式投影模塊將重建數(shù)據(jù)投影到legendre多項式空間進行特征提取得到特征向量，包括：
38、針對每一時刻，計算數(shù)據(jù)歸一化處理后的重建數(shù)據(jù)對應(yīng)的各階legendre多項式，各階legendre多項式的表達式如下：
39、
40、
41、其中，表示數(shù)據(jù)歸一化處理后的重建數(shù)據(jù)，為第0階legendre多項式，為第1階legendre多項式，為第n階legendre多項式，n為自然數(shù)；
42、將各階legendre多項式按對應(yīng)系數(shù)加權(quán)求和，得到特征向量，特征向量的表達式如下：
43、
44、其中，p(t)表示特征向量，n表示特征向量的長度，an表示各階legendre多項式對應(yīng)的系數(shù)。
45、在第一方面的一種可能的實現(xiàn)方式中，基于訓(xùn)練后的風力發(fā)電功率預(yù)測模型中的傅里葉變換模塊對特征向量進行頻譜卷積處理，得到頻譜卷積后的數(shù)據(jù)，包括：
46、對特征向量進行傅里葉變換，具體的表達式如下：
47、f[p(t)]＝φ[p(t)]
48、其中，f為中間變量，p(t)表示特征向量，φ表示傅里葉變換；
49、對傅里葉變換后的特征向量進行線性變換，具體的表達式如下：
50、sf＝wf·f[p(t)]
51、其中，sf表示線性變換，wf表示線性變換矩陣；
52、對線性變換后的特征向量進行逆傅里葉變換，具體的表達式如下：
53、s(t)＝φ-1(sf)
54、其中，s(t)表示頻譜卷積后的數(shù)據(jù)，φ-1表示逆傅里葉變換。
55、在第一方面的一種可能的實現(xiàn)方式中，對特征向量進行傅里葉變換，包括：
56、
57、其中本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法，其特征在于，在獲取時間序列氣象數(shù)據(jù)之后，所述方法還包括：
3.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法，其特征在于，基于訓(xùn)練后的風力發(fā)電功率預(yù)測模型中的編碼器-解碼器模塊對所述時間序列氣象數(shù)據(jù)進行重建，得到重建數(shù)據(jù)，包括：
4.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法，其特征在于，所述編碼器包括若干層神經(jīng)網(wǎng)絡(luò)，所述解碼器包括若干層神經(jīng)網(wǎng)絡(luò)；基于編碼器將下采樣后的數(shù)據(jù)編碼為隱含表示，包括：
5.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法，其特征在于，基于解碼器將所述隱含表示解碼為重建數(shù)據(jù)，包括：
6.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法，其特征在于，在基于訓(xùn)練后的風力發(fā)電功率預(yù)測模型中的Legendre多項式投影模塊將所述重建數(shù)據(jù)投影到Legendre多項式空間進行特征提取得到特征向量之前，所述方法還包括：
7.根據(jù)權(quán)利要求
8.根據(jù)權(quán)利要求7所述的基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法，其特征在于，基于訓(xùn)練后的風力發(fā)電功率預(yù)測模型中的傅里葉變換模塊對所述特征向量進行頻譜卷積處理，得到頻譜卷積后的數(shù)據(jù)，包括：
9.根據(jù)權(quán)利要求8所述的基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法，其特征在于，對所述特征向量進行傅里葉變換，包括：
10.根據(jù)權(quán)利要求8所述的基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法，其特征在于，多層感知機模塊包括輸入層、隱藏層以及輸出層；基于訓(xùn)練后的多層感知機模塊對頻譜卷積后的數(shù)據(jù)進行處理，得到風力發(fā)電功率，包括：
11.根據(jù)權(quán)利要求1-10中任一項所述的基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法，其特征在于，所述方法還包括：
12.一種電子設(shè)備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)權(quán)利要求1-11中任一項所述的基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法。
13.一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1-11中任一項所述的基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法。
...【技術(shù)特征摘要】
1.一種基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法，其特征在于，在獲取時間序列氣象數(shù)據(jù)之后，所述方法還包括：
3.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法，其特征在于，基于訓(xùn)練后的風力發(fā)電功率預(yù)測模型中的編碼器-解碼器模塊對所述時間序列氣象數(shù)據(jù)進行重建，得到重建數(shù)據(jù)，包括：
4.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法，其特征在于，所述編碼器包括若干層神經(jīng)網(wǎng)絡(luò)，所述解碼器包括若干層神經(jīng)網(wǎng)絡(luò)；基于編碼器將下采樣后的數(shù)據(jù)編碼為隱含表示，包括：
5.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法，其特征在于，基于解碼器將所述隱含表示解碼為重建數(shù)據(jù)，包括：
6.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法，其特征在于，在基于訓(xùn)練后的風力發(fā)電功率預(yù)測模型中的legendre多項式投影模塊將所述重建數(shù)據(jù)投影到legendre多項式空間進行特征提取得到特征向量之前，所述方法還包括：
7.根據(jù)權(quán)利要求6所述的基于深度學(xué)習(xí)的風力發(fā)電功率預(yù)測方法，其特征在于，基于訓(xùn)練后的風力發(fā)電功率預(yù)測模型中的legendre多項式投影模塊將所述重建數(shù)...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：馬東進，高英才，李偉，胡洪波，鄭晨，
申請(專利權(quán))人：國家能源集團科學(xué)技術(shù)研究院有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。