(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221093749 9.3 (22)申请日 2022.08.05 (71)申请人 江苏润和软件股份有限公司 地址 210012 江苏省南京市雨 花台区软件 大道168号润和创智中心 (72)发明人 邵辉　邵新庆　李睿　陈志力　 钟毅　周红卫　 (74)专利代理 机构 南京众联专利代理有限公司 32206 专利代理师 叶涓涓 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习的综合能源分布式风力发电 预测方法及系统 (57)摘要 本发明提供一种基于深度学习的综合能源 分布式风力发电预测方法及系 统， 结合CNN ‑GRU 深度学习算法对分布式风力发电进行准确预测， 首先利用CNN提取各个风力发电机组数据之间的 相关性， 进而输入GRU， 在利用GRU对时序数据的 记忆功能的同时， 又避免了像LS TM网络权重过多 影响训练速度的问题， 从而保证了预测的时效 性、 准确性。 针对数据源中存在的缺失值， 本发明 基于相似性原理， 利用与缺失值相似的数据点的 加权平均值对缺失值进行填充， 避免了丢弃所带 来的模型训练数据量不足的问题。 本发明通过利 用GRU神经网络训练CNN传入的特征数据， 在保证 临近时间相关性的同时， 缩减了模型训练的时 间。 权利要求书2页 说明书6页 附图1页 CN 115330040 A 2022.11.11 CN 115330040 A 1.基于深度学习的综合能源分布式风力发电预测方法， 其特 征在于， 包括如下步骤： 步骤1， 对历史数据进行 预处理 获得历史数据， 将其分为训练集与预测集， 在两部分数据中加入各个风力发电机组的 历史风力发电数据和对应时刻的气象数据； 训练集与预测 集包含了输入模型 的特征数据， 训练集中加入对应的标签； 预测数据中加入相关的天气预测气象数据； 并对数据进行缺失 值填充以及归一 化处理； 步骤2， 构建并训练CN N神经网络模型 构建没有池化层的卷积网络模型， 其目的是在提取时间维度上各个风力发电机组发电 量之间的局部依赖关系； 卷积层由宽度为w和高度为n的多个过滤器组成， 其中高度设置为 与变量的数量相同； 第k个滤波器扫描输入矩阵X并产生如下输出： hk＝RELU(WK*X+bK)                      (1) 其中， *为卷积运算， hk为输出向量， relu函数为relu＝max(0,x)； 对于hk通过填充0的方 式降其长度变为T； 对于整个输出而言， 卷积层的网络数据 结构为dc×T， 其中dc表示滤波器 的数量； 采用训练集训练CN N网络， 输出的数据用于 输入GRU网络； 步骤3， 构建并训练GRU神经网络训练模型 GRU网络包括更新 门， 重置门； 其中rt、 zt分别为重置门、 更新 门的输出， 对于t时刻输入 为Xt＝(x1,x1,…,xn)， 则相对应的重 置门、 更新门表达式如下： rt＝σ(wr·[ht‑1,xt]+br)                          (2) zt＝σ(wz·[ht‑1,xt]+bz)                          (3) 更新门zt： 主要用于控制前一时刻的状态信息与当前时刻的输入信息， 其中更新门的值 越大说明前一时刻的状态信息带入的越多； 重置门rt： 同更新门类似， 重置门主要用来控制前一状态信息有多少被写入到候选集 上， 即重置门越大， 则前一时刻的状态信息被写入的越多， 如下： 其中 表示GRU细胞当前时刻候选隐藏层状态， 用于控制当前时刻的输出状态； 接收CNN网络输出的数据， 训练GRU网络； 步骤4， 预测输入特 征的处理 构建与模型训练同样的数据形态， 模型的输入特征由两部分组成， 分别为历史发电数 据与未来时刻的气象状态数据， 其中未来时刻的气象数据由天气预报预测数据结合历史相 似性气象数据所得； 数据采样频率为 15min， 则对应一个风力发电机组的输入特征表 示为式 (6)， 其中p为历史风力发电数据的时间跨度， q为气象特 征数据个数： Xi＝(x1,x2,…,xp,xp+1,xp+2,…,xp+q)                         (6) 如式(7)为天气预报预测的气象数据： Xq＝(xp+1,xp+2,…,xp+q)                              (7) 利用式(7)与历史气象数据进行相似性计算， 通过皮尔逊相关系数衡量这种相关性， 具权　利　要　求　书 1/2 页 2 CN 115330040 A 2体计算方式如式(8)： 通过取得前k个与预测日相似性较高的历史日期数据， rx,y＝[r1,r2,…,r96]                               (9) 最后通过加权平均的方式获得待预测日的气象数据， 如式(9)； 将待预测日的气象数据并入历史风力发电数据中形成模型输入特征， 将模型输入特征 输入训练好的CN N和GRU模型， 得到风力发电预测结果。 2.根据权利要求1所述的基于深度学习的综合能源分布式风力发电预测方法， 其特征 在于， 所述 步骤1中缺失值 填充以及归一 化处理包括如下步骤： 步骤1.1， 对于原 始数据做奇异值处 理， 将不符合常理的数据， 做空值处 理； 步骤1.2， 对于空值数据， 通过选取该时刻 前t时刻的数据， 取平均 值， 利用相似性原理， 与前面的历史数据进行相似性计算： 步骤1.3， 对取 得的相似日期数据， 采用由近 至远加权平均的方式计算 缺失值数据； 步骤1.4， 通过归一 化的方式消除量纲的影响： 3.根据权利要求1所述的基于深度学习的综合能源分布式风力发电预测方法， 其特征 在于， 所述步骤1中， 在训练集中加入的标签为相对应时刻发电量数据， 训练集与预测集中 的气象特征数据包括： 10米高度处风速， 10米高度处风向， 30米高度处风速， 30米高度处风 向， 50米高度处风速， 50米高度处风向， 70米高度处风速， 70米高度处风向， 风机轮毂高度处 风速， 风机轮毂高度处风向， 气温， 气压， 相对湿度。 4.基于深度学习的综合能源分布式风力发电预测系统， 包括数据预处理模块、 CNN模 块、 GRU模块和预测模块； 其特征在于， 所述数据预处理模块用于对数据预处理并生成训练 集与预测集， 实现前述权利要求1 ‑3中任意一项所述的基于深度学习的综合能源分布式风 力发电预测方法中步骤1； CNN模块用于构建并训练CNN神经网络训练模 型， 实现前述实现前 述权利要求 1‑3中任意一项 所述的基于深度学习的综合能源分布式风力发电预测方法中步 骤2； GRU模块用于构建 并训练GRU神经网络训练模 型， 实现前述基于深度学习的综合能源分 布式风力发电预测方法中步骤3； 预测模块用于处理预测输入 特征， 输入训练好的CNN和GRU 模型进行预测， 得到预测结果， 实现前述权利要求 1‑3中任意一项 所述的基于深度学习的综 合能源分布式风力发电预测方法中步骤4。权　利　要　求　书 2/2 页 3 CN 115330040 A 3