买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：上海电力大学

摘要：本发明涉及一种基于RCNN和气象时序特征的海上风电功率预测方法，包括以：提取风电场历史数值天气预报和输出功率数据，将历史数据平分为训练集和验证集；构建RCNN为初步预测模型，并利用训练集训练RCNN使权值最优；利用训练好的RCNN预测验证集中的风电功率，得到历史预测功率误差；采用xgboost算法计算选取出强相关性数值天气预报作为气象时序特征；构建双向循环神经网络，利用气象时序特征与历史预测功率误差训练网络；获取待预测时段数值天气预报信息，输入训练好的RCNN得到初步功率预测，同时将待预测时段数值天气预报信息输入训练好的双向循环神经网络，得到最终预测风电功率。与现有技术相比，本发明保证了时效性的同时提升了模型整体预测性能。

主权项：1.一种基于RCNN和气象时序特征的海上风电功率预测方法，其特征在于，包括以下步骤：S1、提取风电场历史数值天气预报和输出功率数据，将历史数据平分为训练集和验证集；S2、构建RCNN为初步预测模型，初始化RCNN初始权值矩阵，并利用训练集训练RCNN使权值最优；S3、利用训练好的RCNN预测验证集中的风电功率，并将RCNN预测结果与验证集中历史风电功率作差，得到历史预测功率误差；S4、采用xgboost算法计算验证集中数值天气预报与历史预测功率误差的相关性，选取出强相关性数值天气预报作为气象时序特征；S5、构建双向循环神经网络，利用气象时序特征与历史预测功率误差训练网络，其中气象时序特征为网络输入，预测功率误差为网络输出；S6、获取待预测时段数值天气预报信息，输入训练好的RCNN得到初步功率预测，同时将待预测时段数值天气预报信息输入训练好的双向循环神经网络，得到初步预测功率误差，将初步功率预测结果与初步预测功率误差相加，得到最终预测风电功率；所述的步骤S2中，RCNN包括卷积网络模块和长短期记忆网络模块，RCNN利用卷积网络模块自主提取输入时间序列每一个时间步长上的数据特征，生成深层特征，输入至长短期记忆网络模块，长短期记忆网络模块学习深层特征的时间相关性并预测输出初步风电预测功率；所述的卷积网络模块包括三个卷积层、三个BN层和三个池化层，所述卷积层的表达式为： 其中，yti表示t时刻输出向量的第i个元素，其中i∈1,I；表示激活函数，为已设定的超参数；B表示偏移值；Wn,m表示卷积核第n行、第m列的权值元素，其中n∈1,N、m∈1,M；N,M表示卷积核的行数、列数，为已设定的超参数；Tt,l为输入向量Tt的第l个元素；所述的BN层的表达式为： 其中，yi为输入数据中第i个数据；μβ为输入数据均值；为输入数据标准差；为BN层输出结果；ε为正态化常数；所述的池化层表达式为： 其中，p为池化核尺寸，s为池化窗移动步长是已设定的超参数，为若干个被池化窗选中的输入矩阵元素，ct,j为输出向量第j个元素；所述长短期记忆网络模块的表达式为：it＝σWxict+WhiOt-1+Wcizt-1+bift＝σWxfct+WhfOt-1+Wcfzt-1+bfct＝ftct-1+tanhWxcct+WhcOt-1+bcOt＝σWxoct+WhoOt-1+Wcozt+bo其中，ct为t个时间步的卷积网络模块输出；Wcz、Wci、Wcf、Wco为ct的权重矩阵；Whc、Whi、Whf、Who为连接隐含层的权重矩阵；Wzi、Wzf、Wzo为连接神经元激活函数输出矢量zt和门函数的对角矩阵；bi、bf、bc、bo为阀值向量；σ为激活函数且为tanh函数；Ot表示风电预测功率；所述的步骤S5中，双向循环神经网络的计算表达式为：向前推算： 其中，为t时刻的第u个优选特征，为模型输入；和分别为t时刻的第u个隐藏层网络单元的前向输出与t-1时刻的第h个网络单元的前向状态；wuh为第u个输入单元与第h个隐藏层网络单元的连接权值；向后推算： 其中，为t时刻的第h个隐藏层网络单元的后向输出；为第v个输出层输出；whv为第v个输出单元与第h个隐藏层网络单元的连接权值。

全文数据：

权利要求：

百度查询： 上海电力大学 一种基于RCNN和气象时序特征的海上风电功率预测方法