基于混合深度学习机制的风电场风速预测方法技术

本发明专利技术公开一种基于混合深度学习机制的风电场风速预测方法，该方法基于深度学习算法和多源数据的融合，通过获取风电机组状态数据、气象站数据、时序数据等多种相关数据，进行数据预处理和规范化处理后，利用深度神经网络、卷积神经网络、长短时记忆网络LSTM和残差网络等多种深度学习算法对数据进行特征提取和分析，预测输出模块输出预测结果；优点：解决了现有技术中风电场风速预测精度低、处理效率慢等问题，同时解决了深度学习网络中的梯度消失和网络退化等常见问题，保证了网络结构的稳定性和可靠性，有效地降低误差率，提升预测准确性。

【技术实现步骤摘要】

本专利技术涉及风速预测，具体为一种基于混合深度学习机制的风电场风速预测方法。

技术介绍

1、风速预测在风电场运营管理中起着至关重要的作用。当前常见的风速预测方法包括基于物理模型的预测和统计学习方法。然而，基于物理模型的预测需要考虑过多的环境因素和风场结构等细节，模型复杂度高且难以获得准确的初始条件，因此预测效果有限。而基于统计学习方法的预测又存在数据缺失和非线性等问题，预测精度和鲁棒性都无法满足需要。

技术实现思路

1、本专利技术提出一种基于混合深度学习机制的风电场风速预测方法，主要解决了现有技术中风电场风速预测精度低、处理效率慢等问题。

2、采取的技术方案为：一种基于混合深度学习机制的风电场风速预测方法，其特征在于：包括以下步骤：

3、s1、获取多种相关的原始数据，包括风电机组本身的状态数据、气象站数据、时序数据等；

4、s2、对获取的原始数据进行预处理和规范化，包括缺失值处理、异常值剔除、标准化等；

5、s3、使用深度神经网络对预处理后的数据进行处理和特征提本文档来自技高网...

【技术保护点】

1.一种基于混合深度学习机制的风电场风速预测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于混合深度学习机制的风电场风速预测方法，其特征在于：步骤S4中残差网络对深度特征进行映射修改，将输出激活反馈给卷积神经网络；卷积神经网络采用时间卷积神经网络TCN，时间卷积神经网络TCN和长短时记忆网络LSTM组成的混合深度学习TCN-LSTM模型进行特征提取和信息解析；长短时记忆网络LSTM中引入注意力机制同时采用多个门控循环单元GRU进行时序序列数据的特征提取。

3.根据权利要求2所述的一种基于混合深度学习机制的风电场风速预测方法，其特征在于：残差网络中...

【技术特征摘要】

1.一种基于混合深度学习机制的风电场风速预测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于混合深度学习机制的风电场风速预测方法，其特征在于：步骤s4中残差网络对深度特征进行映射修改，将输出激活反馈给卷积神经网络；卷积神经网络采用时间卷积神经网络tcn，时间卷积神经网络tcn和长短时记忆网络lstm组成的混合深度学习tcn-lstm模型进行特征提取和信息解析；长短时记忆网络lstm中引入注意力机制同时采用多个门控循环单元gru进行时序序列数据的特征提取。

3.根据权利要求2所述的一种基于混合深度学习机制的风电场风速预测方法，其特征在于：残差网络中包含多个残差块，各残差块之间依次连接，残差块包括两个卷积层和激活函数，残差块的输出与原始输入相加形成残差连接。

【专利技术属性】
技术研发人员：王玉，廖定安，
申请(专利权)人：常州纺织服装职业技术学院，
类型：发明
国别省市：