(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 202111424160.5 (22)申请日 2021.11.26 (71)申请人 中国华能集团清洁能源技 术研究院 有限公司 地址 102209 北京市昌平区北七家镇未来 科技城南区华能人才创新创业基地实 验楼A楼 (72)发明人 曾谁飞　王振荣　傅望安　黄思皖　 王青天　张燧　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　段周期　 胡雪琛　项灵文　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 代理人 黄垚琳(51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) (54)发明名称 一种基于深度学习融合模型的风电功率预 测方法及设备 (57)摘要 本发明提出一种基于深度学习融合模型的 风电功率预测方法及设备， 利用Scada系统风电 功率实时监测数据及结合历史风电功率数据对 风电功率预测， 将Scada系统风电功率实时监测 数据和历史风电功率数据输入由卷积神经网络、 BiLSTM网络、 Attention注意力机制构建深度学 习融合模型提取文本特征， 最终将其获得的特征 进行合并操作得到融合特征， 这样得到最优文本 特征对风电功率进行高效精准预测。 通过该方法 不仅提高供电系统调度运行计划制定精准性， 而 且有利于降低新能源发电功率预测的误差现象。 权利要求书2页 说明书7页 附图2页 CN 114330495 A 2022.04.12 CN 114330495 A 1.一种基于深度学习融合模型的风电功率预测方法， 其特 征在于， 包括： 获取指定时间间隔内的风电功率实时监测数据和历史风电功率数据， 进行数据预处 理， 将预处 理后的风电功率实时监测数据和历史风电功率数据作为训练集； 构建风电功率预测网络模型， 并通过所述训练集对构建的风电功率预测网络模型进行 训练； 其中， 所述风电功率预测网络模 型包括依序连接的特征提取模块、 上下文信息提取模 块、 关键信息预测模块、 特 征融合模块和结果预测模块； 将实时产生的风电功率实时监测数据和历史风电功率数据预处理后输入训练完成的 所述风电功率预测网络模型中， 输出 结果作为未来指定时间 间隔内风电功率的预测结果。 2.根据权利要求1所述的基于深度学习融合模型的风电功率预测方法， 其特征在于， 数 据预处理的步骤 包括： 数据格式解析： 对于取自SCADA系统的不同数据格式的风电功率实时监测数据和、 或历 史风电功率数据进行 数据格式解析， 转换为统一格式； 数据相关性分析， 以排除权重低于设定 阈值的风电功率实时监测数据和历史风电功率 数据； 归一化处理， 依据公式(1)对风电功率实时监测数据和历史风电功率数据进行归一 化； 其中， w’归一化后的值， w代 表样本真值， wmin和wmax代表所选所在的最小值和最大值。 3.根据权利要求2所述的基于深度学习融合模型的风电功率预测方法， 其特征在于， 所 述风电功率预测网络模型包括依序连接的特征提取模块、 上下文信息提取模块、 关键信息 预测模块、 特 征融合模块和结果预测模块； 其中， 所述特征提取模块为特征提取神经网络， 用于对风电功率实时监测数据和历史风电功 率数据进行 特征提取， 获得对应的文本时空特 征； 所述上下文信息提取模块用于获取风电功率实时监测数据和历史风电功率数据在时 序上的序列关系， 得到所述 风电功率实时监测数据和历史风电功率数据的上 下文信息； 所述关键信息预测模块用于获取所述挖掘了风电功率实时监测数据和历史风电功率 数据各自特征内部的交互性特性， 构成带有关键预测信息的风电功 率实时监测数据和历史 风电功率数据的上 下文特征； 所述特征融合模块用于对所述风电功率实时监测数据和历史风电功率数据的上下文 特征融合拼接， 得到特 征融合信息； 所述结果预测模块， 用于根据所述特 征融合信息计算预测结果， 完成风电功率预测。 4.根据权利要求3所述的基于深度学习融合模型的风电功率预测方法， 其特征在于， 所 述特征提取神经网络为卷积神经网络模型CNN网络； 所述卷积神经网络模型CNN网络包括1 层卷积层和1层池化层， 采用最大池化方法， 获取高频时空特 征。 5.根据权利要求4所述的基于深度学习融合模型的风电功率预测方法， 其特征在于， 所 述上下文信息提取模块采用BiLSTM网络模型， 将所述高频时空特征输入BiLSTM网络模型， 输出不同时刻数据的上下文关系， 利用BiLSTM网络模型的遗忘门进行冗余信息过滤作用， 提高文本特 征表征和拟合能力。 6.根据权利要求3所述的基于深度学习融合模型的风电功率预测方法， 其特征在于， 所权　利　要　求　书 1/2 页 2 CN 114330495 A 2述关键信息预测模块对所述所述风电功率实时监测数据和历史风电功率数据利用双向注 意力中的自注意力、 交互注意力机制得到特征内部不同权重， 挖掘 了这两种 数据各自特征 内部的交 互性特性， 因此最后构成了带有关键预测信息的上 下文特征。 7.根据权利要求4所述的基于深度学习融合模型的风电功率预测方法， 其特征在于， 通 过所述训练集对构建的所述 风电功率预测网络模型进行训练的步骤 包括： 将预处理后的训练集数据输入特征提取模块的特征提取神经网络， 通过卷积神经网络 模型CNN网络进行 特征提取； 利用BiLSTM网络模型 得到过去时刻 及未来时刻的序列关系从而得到 了上下文信息； 分别对风电功率实时监测数据和历史风电功率数据利用双向注意力中的自注意力、 交 互注意力机制得到带有关键预测信息的上下文特征， 挖掘了两种数据各自特征内部的交互 特性， 分别构成两种数据包 含上下文信息的交 互性特征； 将所述包含上下文信 息的交互性特征通过合并操作获融合特征， 该融合特征中含上下 文信息和交 互性特征， 充分体现了实时数据、 历史数据对风电功率预测的贡献度； 利用全连接层计算预测结果， 与标记的检测结果进行对比， 通过不断调整网络函数和 参数， 直至预测结果与实际功率结果 一致时， 完成网络训练。 8.根据权利要求4所述的基于深度学习融合模型的风电功率预测方法， 其特征在于， 在 输出风电功 率的预测结果的步骤之后， 还包括结果展现的步骤； 其中， 结果展现的方式至少 包括： 文字展示、 语音播报、 终端外呼、 邮件及短信传输、 智能音箱和语音唤醒。 9.一种基于深度学习融合模型的风电功率预测装置， 其特 征在于， 包括： 数据处理模块， 用于获取指定时间间隔内的风电功率实时监测数据， 同时获取历史风 电功率数据， 进行数据预处理， 将预处理后的风电功率实时监测数据和历史风电功率数据 作为训练集； 网络构建模块， 用于构建风电功率预测网络模型， 并通过所述训练集对构建的风电功 率预测网络模型进行训练； 其中， 所述风电功率预测网络模型包括依序连接的特征提取模 块、 上下文信息提取模块、 关键信息预测模块、 特 征融合模块和结果预测模块； 功率预测模块， 用于将 实时产生的风电功率实时监测数据和历史风电功率数据 预处理 后输入训练完成的所述风电功率预测网络模型中， 输出结果作为未来指定时间间隔内风电 功率的预测结果。 10.一种计算机设备， 其特征在于， 包括存储器、 处理器及存储在所述存储器上并可在 所述处理器上运行的计算机程序， 所述处理器执行所述计算机程序时， 实现如权利要求 1‑8 中任一所述的方法。 11.一种非临时性计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计 算机程序被处 理器执行时实现如权利要求1 ‑8中任一所述的方法。权　利　要　求　书 2/2 页 3 CN 114330495 A 3