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：国网新疆电力有限公司经济技术研究院

摘要：本发明公开了一种基于attention机制的CNN‑LSTM短期风电功率预测方法，该方法通过收集历史环境和历史风电功率数据，对数据进行数据清洗和归一化等预处理；然后搭建包含attention机制的CNN‑LSTM模型并进行训练获得预测模型，其中CNN网络包括Conv1D层、MaxPooling1D层；LSTM网络包括基本的LSTM层、attention层、Dropout层以及最后的Dense层。本发明采用基于attention机制的CNN‑LSTM短期风电功率预测模型，考虑天气、风速、风向、温度、压力、湿度等各类环境因素，有效提取数据的局部特征和时序特征，合理分配特征权重，能够实现对风电功率的精准预测。

主权项：1.一种基于attention机制的CNN-LSTM短期风电功率预测方法，其特征在于：该方法包括如下步骤：步骤1获取风力发电系统运行的风电功率数据，对风电功率数据进行清洗后，将不同时刻的风电功率数据与对应的天气、风速、风向、温度、压力、湿度组成特征，其中，对非数字特征进行one-hot独热编码，然后对所有数据的特征进行归一化处理；步骤2构建预测点时刻的输入特征向量，并将预处理后的特征向量输入CNN网络，通过CNN网络的卷积、池化操作提取出输入特征向量的静态特征，然后将CNN网络提取的静态特征输入至LSTM网络的隐藏层进行特征提取，并利用attention机制对隐藏层提取的特征向量进行计算，得到特征权重，然后将特征权重和隐藏层提取的特征向量相乘后输入LSTM的Dropout层和全连接层，输出预测的风电功率预测值；所述LSTM网络具体包括LSTM隐藏层、attention层、Dropout层和全连接层，其中LSTM隐藏层提取特征的过程为：it＝σWiXXt+Wihht-1+bift＝σWfXXt+Wfhht-1+bfot＝σWoXXt+Wohht-1+bo 式中，it为输入门、遗忘门ft、输出门ot和当前神经元候选值WiX，Wih，WfX，Wfh，WoX，Woh，WCX，WCh分别表示相应门与当前输入的静态特征Xt和上个单元输出ht-1相乘的得到的矩阵权重，bi，bf，bo，bC为偏置项，σ为sigmoid函数；新状态值Ct由上一状态值Ct-1、遗忘门ft、输入门it以及当前神经元候选值决定，得到新状态值Ct后，可以得到隐藏层的输出序列ht，计算公式为： ht＝ot*tanhCt式中，*表示各相乘向量中的元素按位乘积；利用attention层对隐藏层提取的特征向量进行计算，得到特征权重，然后将特征权重和隐藏层提取的特征向量相乘的过程为：计算当前时刻t对LSTM隐藏层最后一层输出序列中元素所分配的注意力权重ati，公式如下： 式中，i表示LSTM隐藏层输出序列中元素的序号，Th表示LSTM隐藏层输出序列的长度，eti表示LSTM隐藏层输出序列中待编码的元素和其它元素之间的匹配度；计算特征权重向量，公式如下：a′t,i＝HDt，Ct，h 式中，H表示特征权重向量函数，h表示LSTM隐藏层最后一层所有时刻的输出特征序列，Ct表示LSTM隐藏层输出序列ht相对应的attention机制的隐藏层状态；a′t,i表示ht中第i个元素的权重；其中，预测点时刻的输入特征向量具体包括：预测点时刻的天气、预测点时刻的风速、预测点时刻的风向、预测点时刻的压力、预测点时刻的温度、预测点时刻的湿度、预测点前一天同时刻的风电功率值；所述CNN网络和LSTM网络的参数通过利用历史风电功率数据及其对应的天气、风速、风向、温度、压力、湿度数据采用误差反向传播法进行训练优化获得。

全文数据：

权利要求：

百度查询： 国网新疆电力有限公司经济技术研究院 一种基于attention机制的CNN-LSTM短期风电功率预测方法