(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 202210934999.1 (22)申请日 2022.08.05 (71)申请人 中国矿业大 学 （北京） 地址 100083 北京市海淀区学院路丁1 1号 申请人 国网甘肃省电力公司经济技 术研究 院 (72)发明人 李亚龙　金叶　孙亚璐　丁坤　 王鑫　查雯婷　 (74)专利代理 机构 青岛智地领创专利代理有限 公司 37252 专利代理师 韩孟霞 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) H02J 3/00(2006.01) (54)发明名称 一种基于小波降噪和神经网络的风力-风功 率建模方法 (57)摘要 本发明公开一种基于小波降噪和神经网络 的风力‑风功率建模方法， 建模 方法包括： 预处理 原始风电数据集， 得到基本数据集； 基于小波降 噪技术， 对基本数据集进行降噪处理， 得到去噪 数据集； 基于去噪数据和滑动时间窗口算法， 构 建网络数据集并划分训练集、 验证集和测试集； 搭建改进Transformer网络； 通过训练和验证改 进Transformer网络， 得到最佳风力 ‑风功率模 型； 采用最佳风力 ‑风功率模型进行测试， 输 出风 功率估计值。 本发明为新能源并网及调度决策提 供了指导， 能够有效的提高建模精度， 进而提升 风功率预测的精度， 降低新型电力系统不确定性 调度的难度。 权利要求书3页 说明书6页 附图3页 CN 115271225 A 2022.11.01 CN 115271225 A 1.一种基于小波降噪和神经网络的风力 ‑风功率建模方法， 其特征在于， 所述建模方法 包括以下步骤： 步骤1、 采集目标风电站不同高度位置的原始风电信息数据， 形成原始风电信息数据 集， 对原始风电信息数据集进行异常值剔除、 缺失值填补及数据归一化预处理工作得到基 本数据集D1； 步骤2、 基于小波降噪技术， 对所述基本 数据集D1中的数据进行分解、 降噪、 重构， 得到去 噪数据集D2； 步骤3、 基于去噪数据集D2和滑动时间窗口算法， 构 建网络数据 集D3， 并将D3按照比例划 分成训练集Tr、 验证集Va和 测试集Te； 步骤4、 搭建改进 Transformer网络； 步骤5、 通过训练集Tr和验证集Va对改进Transformer网络进行训练和验证， 获得最佳 风力‑风功率模型； 步骤6、 将测试集Te中的风力数据输入最佳风力 ‑风功率模型， 得到对应的风功率， 并根 据综合评价指标来评价建模效果。 2.根据权利要求1所述的风力 ‑风功率建模方法， 其特征在于， 步骤1中所述基本数据集 的获取方法为： 步骤11、 采集目标风电站既定历史时间周期内的天气数据及风电功率数据， 选取包括X 个不同高度的风速WV1、 WV2、…、 WVX， X个不同高度的风向WD1、 WD2、…、 WDX以及风电功率P 共2X+1 个参数， 按照时序排列形成2X+1个特 征列， 构成原 始风电信息数据集； 步骤12、 对原始风电信息数据中不符合标准的异常值进行剔除， 并使用线性插值的方 法进行填补； 步骤13、 对修补后的数据集进行归一化操作， 先对数据进行无量纲化处理， 再将数据 标 准化到[0,1]范围内， 获得 预处理后的基本数据集D1。 3.根据权利要求1所述的风力 ‑风功率建模方法， 其特征在于， 步骤2中所述去噪数据集 的获取方式为： 步骤21、 对所述步骤1所得基本数据集D1中的每一列特征进行小波分解， 使用的小波基 函数为F(x)， 小波分解层次为K， 每一列特征经过分解后得到K个高频细节分量和1个低频近 似分量， 共计K+1个分量； 步骤22： 采用小波软阈值降噪方法， 阈值设为Ts， 对每一列数据中的K个高频细节分量 进行降噪处 理； 步骤23： 对分解、 降噪后的每一列数据的K+1个分量相加重构， 经整合后得到去噪数据 集D2。 4.根据权利要求1所述的风力 ‑风功率建模方法， 其特征在于， 所述步骤3的具体操作 方 式为： 步骤31、 在去噪数据集D2中， 将风速和风向信息构成 的2X个特征列作为输入特征列， 将 风功率构成的1个特 征列作为输出 特征列； 步骤32、 构建网络 数据集D3， 根据滑动时间 窗口算法， 将2X个输入特征列和1个输 出特征 列从时间序列转化为适用于神经网络学习的多 维多步的网络数据集D3， 输入历史时间步长 T， 构造网络数据集D3＝{(X1， y1),(X2， y2),…,(Xi， yi)}， 其中Xi为i时刻的网络输入数据， Xi权　利　要　求　书 1/3 页 2 CN 115271225 A 2是一个T+1行， 2X列的风力矩阵， yi是i时刻的风功率真实值； 用当前时刻风速、 风向以及前T 个时间步长的历史风速、 风向组成的多维多步矩阵拟合当前时刻的风功率； 步骤33、 将网络数据集D3按照a:b:c的比例划分成训练集Tr、 验证集Va和 测试集Te。 5.权利要求1所述的风力 ‑风功率建模方法， 其特征在于， 所述步骤4的具体操作步骤包 括如下： 步骤41、 搭建基于网络数据集的改进Transformer网络， 所述改进Transformer网络包 括输入嵌入层、 编码器以及输出层， 输入嵌入层由特征嵌入和位置编 码构成， 特征嵌入采用 多通道卷积嵌入， 编码技术采用正余弦位置编码； 编码器由一维卷积层、 池化层、 多头注意 力机制、 求和与归一 化层以及前馈层组成； 输出层由全连接实现输出； 步骤42、 设置特征嵌入中的嵌入维度e、 编码器卷积核尺寸s、 池化核尺寸p、 注意力头数 h和板块数N， 网络批样本数为B， 则网络输入的形状为(B,T+1,2X)， 网络输出为对应时刻的 风功率估计值。 6.权利要求1所述的风力 ‑风功率建模方法， 其特征在于， 步骤5中最佳风力 ‑风功率模 型获取方法包括以下步骤： 步骤51、 将训练集Tr输入步骤4 中所搭建的改进Transformer网络中， 初始化网络权值、 阈值， 确定一组网络超参数后开始训练， 共训练E轮； 步骤52： 每完成一轮训练， 就将验证集Va输入改进Transformer网络， 对该网络进行验 证， 若验证集误差指标是当前最小值， 则保存当前网络参数为最优的网络参数， 并展开下一 轮训练； 若验证集误差指标不是最小值， 则网络启动早停机制， 连续M次早停后便会触发网 络停止按键， 网络结束训练； 步骤53、 更新网络超参数， 重新训练、 验证网络， 展开对比实验， 根据验证误差最小原则 获得最佳风力 ‑风功率模型。 7.权利要求1所述的风力 ‑风功率建模方法， 其特征在于， 步骤6 中所述综合评价指标包 括均方根 误差RMSE、 平均绝对误差 MAE和合格率PR， 具体 计算公式如下： 式中： 为i时刻的风功率输出估计值， yi为i时刻的风功率真实值,ymax为所有风功率真 实值中的最大值， Qi为判断风功率输出估计值是否合格的标志， Qi等于1， 表示合格， Qi等于权　利　要　求　书 2/3 页 3 CN 115271225 A 3