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：广西大学

摘要：本发明提出一种基于集成学习的风电功率预测方法。该方法由N个相同的平行系统构成。首先将风电场原始数据输入系统I中的BERT模型进行训练与预测，得到BERT模型的风电功率预测结果。然后将该预测结果与风电场原始数据一起分别输入不同的基础学习器进行训练与预测，再将不同基础学习器的预测结果输入元模型之中进行训练与预测，得到系统I的风电功率预测结果。其余系统的训练与预测方法与上述方法相同。最后将不同系统的风电功率预测结果与当日风电功率实际值进行对比，取预测结果最精确的系统的预测结果作为未来14天的风电功率预测值。该方法能够提高风电场风电功率的预测精度。

主权项：1.一种基于集成学习的风电功率预测方法，其特征在于，该方法融合不同神经网络模型的优点，具备根据实时数据动态选择预测模型的能力，能够提高模型的泛用性、泛化能力以及预测结果的准确性，有利于对风电场出力进行更精准的规划，提高风能利用率，降低电力系统的运行成本和风险，提高电力系统的可靠性和稳定性，提高风电场的经济效益和可靠性，节约能源，减少碳排放，实现可持续发展和对环境的保护；使用过程中的步骤为：步骤（1）：对于系统I，首先采集连续14天内每15分钟采样一次的96×14组风电场原始数据，每组数据包括风电场的原始风电功率数据、风速、风向、环境温度、空气密度、气压、涡流、降水量、空气污染数据；步骤（2）：将风电场原始数据集输入到系统I中，包括风电场的原始风电功率数据、风速、风向、环境温度、空气密度、气压、涡流、降水量、空气污染数据，对所输入的风电场原始数据进行数据清洗，然后将风电场原始风电功率数据按比例8:2进行随机分割，分为训练集和测试集；步骤（3）：将风速、风向、环境温度、空气密度、气压、涡流、降水量、空气污染数据进行归 一化操作，归一化之后的数据为： 1 其中表示风速、风向、环境温度、空气密度、气压、涡流、降水量、空气污染的历史数 据，表示其中某一类数据中的最小值，表示其中某一类数据中的最大值； 步骤（4）：将每个时间点的归一化之后的风速、风向、环境温度、空气密度、气压、涡流、 降水量、空气污染数据和原始风电功率数据转化为描述性的文本， 其中是文本中的每一个词，对这个词进行词嵌入处理，得到每一个词的 词向量； 步骤（5）：随机初始化三个权重矩阵、和，分别与词向量相乘，得到三 个向量、和； 词向量的键向量为： 2 式中，代表数学上的乘法运算； 词向量的值向量为： 3 词向量的查询向量为： 4 步骤（6）：通过查询向量和键向量进行乘积运算并除以向量维度，得到自注意力 权重，将自注意力权重进行softmax，再与每一个词的值向量进行乘积运算，得 到词向量对当前处理向量的影响值； 词向量的自注意力权重为： 5 式中是向量的维数，代表数学上的求平方根运算，是向量的转置； 词向量对当前处理向量的影响值为： 6 7 式中代表自注意力权重的索引，代表自注意力权重的个数； 步骤（7）：将每一个词向量的影响值相加得到第一个词向量通过自注意力机 制处理后的输出值； 第一个词向量通过自注意力机制处理后的输出值为： 8 重复步骤（6）、步骤（7），得到每一个词向量经过自注意力机制处理后的输出值；将这些输出值进行求和与归一化，通过前馈神经网络再次进行求和与归一化，通过一个线性回归层来得到最终的BERT预测结果；步骤（8）：将BERT的预测结果、各类归一化之后的风电场原始数据以及历史风电功率数据输入第一个基础学习器长短期记忆神经网络中进行训练与预测，得到长短期记忆神经网络的预测结果；长短期记忆循环单元的时刻遗忘门输出值为： 9 10 式中代表权重矩阵，代表时刻神经元的输入，代表时刻神经元的输 出，是遗忘门的偏置系数； 长短期记忆循环单元的时刻输入门输出值为： 11 式中代表权重矩阵，是输入门的偏置系数； 长短期记忆循环单元的时刻细胞候选状态向量为： 12 13 式中代表权重矩阵，是细胞候选状态向量的偏置系数； 长短期记忆循环单元的时刻细胞状态向量为： 14式中代表时刻细胞状态向量； 长短期记忆循环单元的时刻输出门输出值为： 15 式中代表权重矩阵，是细胞候选状态向量的偏置系数； 长短期记忆循环单元的时刻神经元输出值为： 16 步骤（9）：将BERT的预测结果、各类归一化之后的风电场原始数据以及历史风电功率数据输入第二个基础学习器双向长短期记忆神经网络中进行训练与预测，得到双向长短期记忆神经网络的预测结果；双向长短期记忆神经网络的预测结果为： 17 式中，和分别是后向隐藏层输出和前向隐藏层输出的权重系数，为神经元的偏 置系数，为时刻前向长短期记忆循环单元的神经元输出值，为时刻后向长短期记 忆循环单元的神经元输出值； 步骤（10）：将BERT的预测结果、各类归一化之后的风电场原始数据以及历史风电功率数据输入第三个基础学习器双向门控循环神经网络中进行训练与预测，得到双向门控循环神经网络的预测结果；双向门控循环单元的时刻前向隐藏层的状态为： 18 双向门控循环单元的时刻后向隐藏层的状态为： 19 双向门控循环单元的时刻隐藏层的状态为： 20 其中，函数是对输入时间数据的非线性变换，为输入，为时刻前向隐藏 层状态输出，为时刻后向隐藏层输出，为时刻前向隐藏层状态输出，为时刻后向隐藏层输出；表示时刻前向隐藏层状态所对应的权重，为时刻 后向隐藏层状态所对应的权重，表示时刻双向门控循环神经网络隐藏层状态所对 应的偏置； 步骤（11）：将三个基础学习器的预测结果输入支持向量回归元模型，得到系统I的风电功率预测结果；输入支持向量回归元模型的特征向量矩阵为： 21 式中代表第1类特征数据的第1个长短期记忆网络预测数值，代表第1类特征数 据的第2个长短期记忆网络预测数值，代表第1类特征数据的第个长短期记忆网络预 测数值，代表第2类特征数据的第1个长短期记忆网络预测数值，代表第2类特征数 据的第2个长短期记忆网络预测数值，代表第2类特征数据的第个长短期记忆网络 预测数值，代表第类特征数据的第1个长短期记忆网络预测数值，代表第类特 征数据的第2个长短期记忆网络预测数值，代表第类特征数据的第个长短期记忆 网络预测数值，代表第1类特征数据的第1个双向长短期记忆网络预测数值，代表第1 类特征数据的第2个双向长短期记忆网络预测数值，代表第1类特征数据的第个双向 长短期记忆网络预测数值，代表第2类特征数据的第1个双向长短期记忆网络预测数值，代表第2类特征数据的第2个双向长短期记忆网络预测数值，代表第2类特征数据的 第个双向长短期记忆网络预测数值，代表第类特征数据的第1个双向长短期记忆 网络预测数值，代表第类特征数据的第2个双向长短期记忆网络预测数值，代表 第类特征数据的第个双向长短期记忆网络预测数值，代表第1类特征数据的第1个 双向门控循环网络预测数值，代表第1类特征数据的第2个双向门控循环网络预测数值，代表第1类特征数据的第个双向门控循环网络预测数值，代表第2类特征数据的 第1个双向门控循环网络预测数值，代表第2类特征数据的第2个双向门控循环网络预测 数值，代表第2类特征数据的第个双向门控循环网络预测数值，代表第类特征 数据的第1个双向门控循环网络预测数值，代表第类特征数据的第2个双向门控循环 网络预测数值，代表第类特征数据的第个双向门控循环网络预测数值； 支持向量回归元模型的目标值向量为： 22 式中代表第1类特征数据所对应的风电功率实际数值，代表第2类特征数据所对 应的风电功率实际数值，代表第类特征数据所对应的风电功率实际数值； 步骤（12）：对于系统II到系统N，数据采集方式、系统网络结构、系统运行流程均与系统I相同；步骤（13）：将所有系统给出的风电功率预测结果与实际风电功率结果进行比较，取准确率最高的系统给出的预测结果作为未来14日内的风电功率预测结果。

全文数据：

权利要求：

百度查询： 广西大学 一种基于集成学习的风电功率预测方法