申请/专利权人：国网河南省电力公司;国网河南省电力公司洛阳供电公司;东北电力大学

申请日：2024-03-08

公开（公告）日：2024-06-18

公开（公告）号：CN118213974A

主分类号：H02J3/00

分类号：H02J3/00;G06Q10/04;G06Q50/06;G06N3/0464;G06N3/0499;G06N3/08

优先权：

专利状态码：在审-公开

法律状态：2024.06.18#公开

摘要：一种风电场超短期功率预测方法，属于风电功率预测技术领域，包括以下步骤：获得风电场测风塔历史风速序列数据和历史功率序列数据；使用变分模态分解算法分别将各风速序列数据和功率序列数据分解为多个子信号；将各子信号组合在一起，组成由序列长度、序列个数和子信号个数三个维度构成的多维特征向量；将多维特征向量送入到二维卷积神经网络中提取高维特征；再将高维特征送入到自注意力编码解码模块中构造数据之间的时空相关性；最后通过前馈神经网络回归获得风电功率预测结果。本发明采用模态分解算法降低了神经网络的学习难度；利用卷积神经网络和自注意力编码解码的组合模型获取数据之间的时空相关性，显著提高超短期风电功率预测精度。

主权项：1.一种风电场超短期功率预测方法，其特征是：包括以下步骤，并且以下步骤顺次进行，S1：获得风电场测风塔历史风速序列数据和历史功率序列数据；S2：使用变分模态分解算法分别将各风速序列数据和功率序列数据分解为多个子信号，分解次数即为子信号个数；S3：将各个序列分解后的子信号组合在一起，组成由序列个数、子信号个数和序列长度三个维度构成的多维特征向量；由于各个序列的分解层数不同，为使多维特征向量的子信号个数维度保持一致，对该维度取固定值，对于序列分解层数不足的部分，用0值填充；S4：将多维特征向量送入到二维卷积神经网络中提取高维特征；S5：将高维特征送入到自注意力编码解码模块中构造数据之间的全局时空相关性；所述S5中自注意力编码解码模块包含位置编码模块、编码器组和解码器组；所述编码器组由4个编码器串联组成；所述解码器组由4个解码器串联组成；所述S5的具体操作步骤如下：S5.1：利用位置编码模块对送入的高维特征进行位置编码，并将位置编码与高维特征相加，作为下一步骤的输入特征；S5.2：将S5.1的所得特征送入到编码器组中；所述S5.2中，编码器组中的编码器由多头注意力层、归一化层、前馈神经网络层、归一化层串联而成，其中，编码器的输入特征通过跳跃分支与多头注意力层的输出特征相加后再输入到第一个归一化层，第一个归一化层的输入特征通过跳跃分支与前馈神经网络层输出特征相加后再输入到第二个归一化层，第二个归一化层的输出特征即为编码器组的输出特征；S5.3：将S1所述历史功率序列作为功率查询序列，并进行位置编码；S5.4：将S5.3中位置编码后的功率查询序列和S5.2中编码器组的输出特征依次送入到解码器组中；所述S5.4中，解码器由多头注意力层、归一化层、多头注意力层、归一化层、前馈神经网络、归一化层串联而成，其中，位置编码后的功率查询序列输入到第一个多头注意力层，并通过跳跃分支与第一个多头注意力层的输出特征相加后再输入到第一个归一化层；编码器组的输出特征与第一个归一化层的输出特征共同送入到第二个多头注意力层，且第一个归一化层的输出特征通过跳跃分支与第二个多头注意力层的输出特征相加后再输入到第二个归一化层；第二个归一化层的输出特征送入到前馈神经网络中，且其通过跳跃分支与前馈神经网络的输出特征相加送入到第三个归一化层；第三个归一化层的输出特征即为解码器组的输出特征；S6：所述S5.4中的输出特征通过前馈神经网络回归获得风电功率预测结果；S7：利用实测的风电场测风塔风速序列数据和功率序列数据，通过S2至S6获得实测数据的超短期风电功率预测结果。

全文数据：

权利要求：

百度查询： 国网河南省电力公司;国网河南省电力公司洛阳供电公司;东北电力大学 一种风电场超短期功率预测方法

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