(19)中华 人民共和国 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 202111492610.4 (22)申请日 2021.12.08 (71)申请人 湖南铁道 职业技术学院 地址 412000 湖南省株洲市田心大道18号 (72)发明人 罗丹　谢永超　唐晨　蒋兵兵　 黄银秀　 (74)专利代理 机构 湖南正则奇美专利代理事务 所(普通合伙) 4310 5 代理人 肖琦 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/00(2012.01) G06Q 50/06(2012.01) G06F 30/27(2020.01) G06F 111/10(2020.01) (54)发明名称 基于深度学习的风电超短期功率预测方法 及系统 (57)摘要 本发明公开了基于深度学习的风电超短期 功率预测方法及系统， 涉及风力发电机组技术领 域， 解决了内部的预测因子未进行多次处理， 导 致因子偏 差较大， 进而导致功率预测值偏差较大 的问题； 预先通过数据采集端对风力发电机组的 各项工作数值进行采集， 再通过比对 单元将所提 取的实际功率数值与预计功率数值进行比对， 将 所提取的数值进行线性离散处理， 将进行离散处 理后的均值预测因子进行提取， 并将此预测因子 输送至预测模 型内， 同时对预测因子进行多组训 练， 并对因子进行线性处理， 预先剔除了偏差较 大的数值， 再进行线性训练， 剔除偏差较大的预 测因子， 再对多组因子进行求值， 通过多组训练 方式， 可使预测因子更加准确， 便使所预测的功 率值更加精准。 权利要求书2页 说明书6页 附图1页 CN 114154731 A 2022.03.08 CN 114154731 A 1.基于深度学习的风电超短期功率预测系统， 其特 征在于， 包括： 数据采集端， 用于对风力发电机组 的外部环境风速数值以及内部转子的转速数值进行 采集； 实际输出端， 用于对风力发电机组的内部实际功率数值进行计算获取； 预计输出端， 通 过对数据采集端所采集的数据进 行功率预测， 得到对应的预计功 率数值； 比对单元， 用于将 实际功率数值与预计功率数值进行提取比对处 理； 因子训练端， 对数据采集端所采集的数值进行多组训练计算， 得到进行功率转换的预 测因子； 预测模型， 根据预测 因子以及不同的风力发电机组所处的环境数据， 对风力发电机组 的超短期输出功率进行 预测； 故障预测端， 对预测后的超短期输出功率进行差值处 理， 并通过处 理结果进行 预警。 2.根据权利要求1所述的基于深度学习的风电超短期功率预测系统， 其特征在于， 所述 预计输出端对数据采集端所采集的数据进行功率预测的步骤如下： S1、 将外部环境风速数值标记为Fi， 内部转子转速数值标记为Zi， 其中i代表不同的风力 发电机组， i ＝1、 2、……、 n； S2、 采用 得到对应的预计功率数值Gi， 其中预测输出端内部包括 存储单元， 存储单元内部存储有环境风速数值以及 对应的功 率数值和内部转子转速数值所 对应的功率数值， 其中Fi对应指定的功率值Wi， Zi对应指定的功率值Pi， 其中 为修正因子， 取值为0.97562， 其中C1和C2均为固定的系数因子 。 3.根据权利要求2所述的基于深度学习的风电超短期功率预测系统， 其特征在于， 比对 单元内部设置有阈值区间， 阈值区间由外 部操作人员进行设定 。 4.根据权利要求3所述的基于深度学习的风电超短期功率预测系统， 其特征在于， 比对 单元将实际功率数值与预计功率数值进行提取比对处 理的步骤为： 实际输出端对所采集的风力发电机组内部实际功率数值进行提取， 并将其实际功率数 值标记为Gsi， 比对单元将对应的预计功 率数值Gi与实际功 率数值Gsi进行提取比对， 并进 行 差值处理得到差值Ci； 将差值Ci与阈值区间进行比对， 并将属于阈值区间的Ci值进行提取， 将不属于阈值区间 的Ci值进行剔除。 5.根据权利要求4所述的基于深度学习的风电超短期功率预测系统， 其特征在于， 因子 训练端对数据采集端所采集的数值进行多组训练计算的步骤如下： Q1、 通过对应的Ci对风力发电机组的Zi值以及预计功率数值Ci进行提取， 形成对应的数 列集合[(Z1， C1)、 (Z2， C2)、……、 (Zn， Cn)]； Q2、 因子训练端对数列集合内部元素(Zi， Ci)进行线性离散处理， 预先通过 得到对应的离 散因子 δi， 再对离散因子 δi进行处理； Q3、 采用 对离散因子δi进行离散处理， 其中j属于i， 令j＝2， 为δi的均 值， 得到第一组离 散值；权　利　要　求　书 1/2 页 2 CN 114154731 A 2Q4、 当Q3中离散值小于X1时， X1为预设值， 由外部操作人员进行拟定， 此时将标记关联 线性离散区间； 否则跳转至步骤Q6； Q5、 并令j值加一， 重复步骤Q3 ‑Q4， 直到离散值大于等于X1， 获取到对应的j值， 将[Z1, Zj‑1]， 标记为第一个线性区间； 之后进行 下一步骤处理； Q6、 令j值减一， 重复步骤Q3， 得到单个转速数值Zi所对应的功率数值Ci， 并进行记录， 并 将对应的Cj， 标记为点值区间； Q7、 将离散值小于X1的数值δi进行提取， 将多组数值δi进行均值处理， 得到处理后的均 值Ji， 将处理后的预测因子Ji直接输送至预测模型内。 6.根据权利要求5所述的基于深度学习的风电超短期功率预测系统， 其特征在于， 预测 模型对风力发电机组的超短期输出功率进行 预测的步骤为： W1、 将外部环境风速与电机转子的比例进行求值处理， 得到对应的系数值L1， 将外部环 境风速标记为YFi， i代表不同的预测风力发电机组； W2、 采用 得到对应的预测功率值YCGi， Δ为设定因子， 取值为 0.85362， 不同的发电机组对应不同的节点； W3、 将计算得到的预测功率值YCGi输送至对应的节点输 出端内， 节点输 出端将所预测功 率值YCGi输送至外部终端， 节点输出端同时会对节点内部实际功率值进行均值处理并记 录， 并同时将记录后的均值数值以及所 预测的功率 值YCGi输送至故障预测端内。 7.根据权利要求6所述的基于深度学习的风电超短期功率预测系统， 其特征在于， 故障 预测端内部包括差值区间， 将对应 的功率值YCGi与记录均值进行差值处理， 并将处理后的 差值与差值区间进 行比对， 若差值不属于差值区间， 则判定此节点存在故障， 将故障信息发 送至外部终端， 属于 差值区间的差值则不作处 理。 8.根据权利要求1 ‑7任意一项所述的基于深度学习的风电超短期功率预测系统 的预测 方法， 其特 征在于， 包括以下步骤： 步骤一、 预先通过数据采集端对风力发电机组的各项工作数值进行采集， 通过实 际输 出端对风力发电机组内部实际功 率数值进 行提取， 并通过比对单元将所提取的实际功率数 值与预计功率数值进行比对， 提取差值属于差值区间内部的发电机组数值， 并对此类数值 进行提取， 将所提取的数值进行线性离 散处理； 步骤三、 将进行离散处理后的均值预测 因子进行提取， 并将此预测 因子输送至预测模 型内， 其中不同的风力发电机组均进行了预测因子训练， 不同的风力发电机组对应不同的 预测因子Ji； 步骤四、 预测模型通过预测因子Ji对不同的风力发电机组进行功率预测处理， 通过对外 部风速进行采集， 通过风速数据对风力发电机组的功率数据进行 预测并得到对应的数值； 步骤五、 预测模型将预测后的数值输送至故障预测端内， 故障预测端内部同样设定有 差值区间， 将对应 的功率值YCGi与记录均值进行差值处理， 并将处理后的差值与差值区间 进行比对， 若差值不属于差值区间， 则判定此节 点风力发电机组存在故障， 属于差值区间的 差值则不作处 理。权　利　要　求　书 2/2 页 3 CN 114154731 A 3