(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 202210966516.6 (22)申请日 2022.08.11 (71)申请人 山西大学 地址 030006 山西省太原市坞城路9 2号 申请人 国家电投集团山西新能源 有限公司 (72)发明人 王灵梅　刘玉山　程江涛　郭东杰　 贾成真　申戬林　邵吉　孟恩隆　 侯勇　田志强　 (74)专利代理 机构 太原晋科知识产权代理事务 所(特殊普通 合伙) 14110 专利代理师 郑晋周 (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 多特征融合的生成对抗网络超短期风功率 预测方法 (57)摘要 本发明提供了一种多特征融合的生成对抗 网络超短期风功率预测方法， 由变 分模态分解与 注意力机制、 长短期记忆神经网络结合作为生成 器， 卷积神经网络作为判别器； 使用W距离作为生 成器的目标函数， 并用利普希茨连续条件对判别 器进行限制， 以提高模型稳定性； 以及采用以单 机预测反推全场功率的技术路线， 以弥补在测风 塔数据无法反应整场风资源情况时风功率预测 的准确性。 通过本发明， 能够提高超短期风功率 预测的准确率， 解决风功率的波动性大、 影响风 功率的多个因素对超短期风功率预测的贡献率 不同以及原始生成对抗网络模型的不收敛、 不稳 定等问题。 权利要求书4页 说明书8页 附图2页 CN 115526376 A 2022.12.27 CN 115526376 A 1.一种多特 征融合的生成对抗网络超短期风功率预测方法， 其特 征在于， 包括： 获取待预测风电机组的历史功率数据及对应天气数据， 进行数据预处理， 将预处理后 得到的数据作为训练数据； 构建待预测风电机组超短期风功率预测模型； 通过所述训练数据对构建的所述待预测 风电机组超短期风功率预测模型进行训练； 其中， 所述待预测风电机组超短期风功率预测 模型由变分模态分解与注意力机制、 长短期记忆神经网络结合作为生成器， 卷积神经网络 作为判别器， 使用W距离作为所述 生成器的目标函数； 将待预测风电机组的实时功率数据和天气数据输入训练完成的所述待预测风电机组 超短期风功率预测模型中， 模型输出作为实时的超短期风功率预测结果。 2.根据权利要求1所述的多特征融合的生成对抗网络超短期风功率预测方法， 其特征 在于， 在进行 数据预处 理的步骤中， 包括： 对所述待预测风电机组 的历史功率数据及对应天气数据进行异常值剔除及插补， 形成 规范化原 始数据集， 作为所述训练数据。 3.根据权利要求1所述的多特征融合的生成对抗网络超短期风功率预测方法， 其特征 在于， 在对原始数据集中的功率数据列进行变分模态分解的步骤中， 通过迭代搜寻来构建 变分模型， 将 所述训练数据中的原始风功率时间序列P(t)分解为不同的频率的分量uk(t)， 对应的中心频率 为ωk， 通过交替迭代的方式更新 寻找变分模型的最优解； 其中， 变分模态分解约束表达式为： 式中， K为分解的模态个数， {uk}、 {ωk}分别为第k个模态分量及中心频率， δ(t)为狄拉 克函数， *为卷积运 算符。 4.根据权利要求3所述的多特征融合的生成对抗网络超短期风功率预测方法， 其特征 在于， 引入Lagrange乘法算子 λ及二次惩罚因子α， 将公 式(1)的约束变分问题转变为非约束 变分进行求 解， 得到风功率输出信号VMD的约束表达示 为： 各分量 及相应中心频率ωk及乘法算子 分别通过公式(3)、 (4)、 (5)进行 更新迭代；权　利　要　求　书 1/4 页 2 CN 115526376 A 2式中： 和 分别为f(t)、 uk(t)和 λ(t)的傅里叶变换； ω为频率； n为迭代 的次数； 精度收敛判据设定为 ε＞0； 若满足： 则完成迭代， 输出 及ωk， 否则重新进行迭代。 5.根据权利要求4所述的多特征融合的生成对抗网络超短期风功率预测方法， 其特征 在于， 对分解完成的每个功率分量 结合风速V、 偏航误差ER、 温度T、 湿度H、 压力p空特征组 成新的数据集Xk， 所有数据集Xk组成的集 合称为{Xk}； 将{xk}中的每个数据集Xk分别输入到生成器G中对应的AM ‑LSTM网络结构 中， 每个网络 结构包含6个输入 特征， 以当前时刻的LSTM隐层单元输出ht‑1和记忆信息计算当前时刻每个 特征对应的权重， 并对权重进 行量化， 通过注意力机制对特征权重进 行实时调整， 实现多 特 征的有序融合； 其中， 权重计算公式如公式(7)： 其中， Ve、 We和Ue为注意力机制的多层感知机 权重矩阵； be为偏置项； 使用归一 化指数函数按公式(8)对 进行归一 化处理， 保证特 征注意力权 重和为1； 权　利　要　求　书 2/4 页 3 CN 115526376 A 3