申请/专利权人：南京师范大学;江苏省电力试验研究院有限公司;国电南瑞科技股份有限公司

申请日：2024-03-01

公开（公告）日：2024-06-28

公开（公告）号：CN117810997B

主分类号：H02J3/00

分类号：H02J3/00;G06F18/213;G06N3/0464;G06F18/22;G06F18/23;G06Q50/06;H02J3/38

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明公开了一种基于时空相关性的短期风电功率预测方法，步骤如下：获取某区域风电场的历史功率及待测风电场影响因子的历史数据，建立特征数据库；使用t分布随机近邻嵌入算法在保留数据相似性的同时对数据进行降维；利用CNN对处理后的风电数据进行局部特征提取；使用主要架构为编码器‑解码器的FEDformer模型，使用编码器中的MOE模块分解输入信号，FEB模块加权，使用解码器中的FEA模块对信号执行交叉注意操作，提取信号中的相关性和相似性，实现模型的自适应学习和预测，得到最终的预测结果。本发明能够为平衡系统电力供应和负荷需求提供基础，防止系统因风电接入电网发生故障，提高电力系统的稳定性。

主权项：1.一种基于时空相关性的短期风电功率预测方法，其特征在于，包括以下步骤：（1）获取某区域风电场的历史功率及待测风电场影响因子的历史数据，建立特征数据库，识别并剔除原始数据中的异常值，填补原始数据中的缺失值，使用z-score将数据标准化；（2）使用t分布随机近邻嵌入算法，在保留数据相似性的同时对数据进行降维；（3）利用CNN对已经处理过的风电数据进行局部特征提取，生成更重要的信息；（3.1）CNN的输入为多特征数据，通过卷积层提取输入时间序列的有效非线性局部特征；将数据以天为单位分成k天，每天n条数据，每条数据m个气象因素，构成n×m×k矩阵作为CNN模型的输入，记CNN卷积层输出为，卷积层输出公式如下： ；其中，为激活函数，k为滑动窗口大小，wn,m为卷积核n行m列的权重，Xi+n,j+m为输入风电数据特征矩阵第n行、第m列的值，bn,m为卷积核偏差；（3.2）在CNN池化层中，利用滤波器和滑动窗口进行数据采样，降低数据特征尺寸，减少网络参数，最后通过全连接层将数据输入到FEDformer模型中；（4）使用主要架构为编码器-解码器的FEDformer模型，经过编码器的MOE模块对输入信号进行分解，FEB模块对频域特征进行加权，使高频特征得到更高的权重，再由解码器中的FEA对来自编码器和解码器中的信号执行交叉注意操作，提取信号中的相关性和相似性，实现模型的自适应学习和预测，得到最终的预测结果。

全文数据：

权利要求：

百度查询： 南京师范大学;江苏省电力试验研究院有限公司;国电南瑞科技股份有限公司 一种基于时空相关性的短期风电功率预测方法

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