【技术实现步骤摘要】
一种CNN+BiLSTM+Attention风电超短期功率预测方法及系统
[0001]本专利技术涉及人工智能、深度学习、神经网络、自然语言处理、新能源、碳中和、碳达峰及风电超短期功率预测领域，具体涉及一种CNN+BiLSTM+Attention风电超短期功率预测方法及系统。
技术介绍
[0002]伴随深度学习与新能源快速融合，对新能源功率预测提出了更大的挑战，例如：如何对风电超短期功率进行精准预测，特别是目前电网供应紧张阶段，因此风电超短期功率精准预测对新能源供电的平衡及稳定至关重要。纵观过去文献，一般来讲风电超短期功率方法有物理方法、统计方法这两种为主，但是这两种方法普通存在风电功率预测精度不高，过去方法的问题有：要么对数据特征挖掘不足、不充分，要么考虑到数据特征的前向序列和未考虑到后项序列，等等。这些方法如对风力超短期功率预测不准，给供电系统带来诸多弊端，例如增加不必要备份设备等运营成本增加，间接增加了人力等支出。随着人工智能技术的快速落地应用，构建深度学习网络模型有助于风电超短期功率预测这一关键性问题的提升，为新能源发...
【技术保护点】
【技术特征摘要】
1.一种CNN+BiLSTM+Attention风电超短期功率预测方法，其特征在于，所述方法包括：采集风力发电设备对应的预测时段的气象要素数据，并对所述数据进行处理；将所述处理后的数据输入预先训练好的风电超短期功率预测模型中，得到所述风力发电设备预测时段对应的超短期功率数据；其中，所述预先训练好的风电超短期功率预测模型是基于处理后的历史时段内所述风力发电设备对应的气象要素数据进行训练得到的；所述预先训练好的风电超短期功率预测模型包括：卷积神经网络CNN层、BiLSTM层、Attention层、全连接层和输出层。2.如权利要求1所述的方法，其特征在于，所述对所述数据进行处理，包括：步骤F1:对采集的风力发电设备对应的预测时段的气象要素数据进行缓存读写操作；步骤F2:将所述读写后的数据进行解析、数据清洗和格式转化；步骤F3:将步骤F2得到的数据进行归一化，得到处理后的风力发电设备对应的预测时段的气象要素数据。3.如权利要求1所述的方法，其特征在于，所述将所述处理后的数据输入预先训练好的风电超短期功率预测模型中，得到所述风力发电设备预测时段对应的超短期功率数据，包括：将处理后的数据输入预先训练好的风电超短期功率预测模型的卷积神经网络层CNN中，将所述数据进行卷积运算，然后将所得结果进行合并操作，并对合并后的结果进行池化操作，提取得到所述数据对应的时空特征文本；将所述数据对应的时空特征文本输入预先训练好的发风电超短期功率预测模型的BiLSTM层中，提取出所述时空特征文本的特征向量信息；将所述提取出的特征向量信息输入预先训练好的发风电超短期功率预测模型的Attention层中，得到分配了不同权重后的特征向量文本信息；将所述分配了不同权重后的特征向量文本信息输入预先训练好的发风电超短期功率预测模型的全连接层中对输入的特征向量文本信息进行整合，得到整合后的所述特征向量文本信息；将所述整合后的所述特征向量文本信息输入预先训练好的发风电超短期功率预测模型的输出层中，得到归一化后的所述风力发电设备预测时段对应的超短期功率数据；将所述归一化后的所述风力发电设备预测时段对应的超短期功率数据反归一化，得到所述风力发电设备预测时段对应的超短期功率数据。4.如权利要求1所述的方法，其特征在于，所述预先训练好的风电超短期功率预测模型的训练过程包括：获取处理后的历史时段内所述风力发电设备对应的气象要素数据；将所述气象要素数据输入初始风电超短期功率预测模型的卷积神经网络CNN层、BiLSTM层、Attention层、全连接层和输出层，将均方差损失MSE作为模型的损失函数，利用自适应矩阵估计Adam优化算法对所述模型进行训练，得到训练好的风电超短期功率预测模型。5.如权利要求1所述的方法，其特征在于，得到所述风力发电设备预测时段对应的超短期功率数据后还包括：<...
【专利技术属性】
技术研发人员：曾谁飞，王振荣，张晓辉，王青天，张燧，黄思皖，刘旭亮，李小翔，冯帆，邸智，韦玮，童彤，任鑫，杜静宇，赵鹏程，武青，祝金涛，朱俊杰，吴昊，吕亮，兰连军，薛文超，张伟，
申请(专利权)人：中国华能集团清洁能源技术研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。