[发明专利]基于CNN+LSTM的风电功率预测模型

权利要求书

1.一种基于CNN+LSTM的风电功率预测模型，其特征在于：可分为两部分：数据预处理阶段与模型训练使用阶段；

在数据预处理阶段，利用风场的天气预报数据(NWP)与历史观测数据，提取了风速、风向、大气压力、温度、空气湿度等特征，对数据归一化处理；

在模型训练使用阶段，将处理后的数据放入CNN+LSTM模型中进行预测，其中CNN网络包括了Conv1D层、Pooling层与Dropout层；LSTM网络包括了基本的LSMT层与最后的全连接层，其主要作用是利用序列数据关系将提取的特征与历史数据结合进行对风电功率预测。

2.根据权利要求1所述的基于CNN+LSTM的风电功率预测模型，其特征在于：在模型训练阶段，将处理后的数据经过CNN层，进行卷积、池化、正则化等操作，提取数据的特征；CNN中使用了梯度下降法训练参数,经过训练的模型能够学习到时间序列数据中的特征；

将风速、风向、气压、空气湿度等一系列的数据处理成序列数据，设给定的输入序列的数据为x＝(x₁，x₂，...，x_n)，其中x_n∈R^d表示特征，一维卷积构造一个特征映射图fm，使用滤波器ω∈R^fd，b∈R是一个偏项。滤波器hl用于将每一组特征f在一个记录中{x₁，x₂，...，x_n-f+1}生成一个特征图；并对每个特征进行最大池化操作最后经过Softmax层计算得到这组最重要的特征；

hl＝[hl₁，hl₂，...，hl_n-f+1]，hl∈R^n-f+1 (2)

o_t＝softmax(V_h0hl+b₀) (3)

将CNN层提取的特征经过LSTM层，最终对风电功率进行预测；在LSTM层的独特记忆单元中，每一个LSTM单元拥有一个Cell，其在时刻t的状态记为c_t；对LSTM中记忆单元的读取和修改通过对输入门(input gate)、遗忘门(forget gate)和输出门(output gate)的控制来实现；

LSTM单元的工作流程如下：每一个时刻，LSTM单元通过3个门接收当前状态x_t和上一时刻LSTM的隐藏状态h_t-1这2类外部信息的输入；此外，每一个门还接收一个内部信息输入，即记忆单元的状态c_t-1；接收输入信息后，每一个门将对不同来源的输入进行运算，并且由其逻辑函数决定其是否激活；输入门的输入经过非线性函数的变换后，与遗忘门处理过的记忆单元状态进行叠加，形成新的记忆单元状c_t；最终，记忆单元状态c_t通过非线性函数的运算和输出门的动态控制形成LSTM单元的输出h_t；各变量的计算公式如下，其中b_i、b_c、b_f、b_o为偏置向量；σ为sigmoid激活函数；

i_t＝σ(W_xix_t+W_hih_t-1+W_cic_t-1+b_i) (4)

f_t＝σ(W_xfx_t+W_hfh_t-1+W_cfc_t-1+b_f) (5)

c_t＝f_tc_t-1+i_ttanh(W_xcx_t+W_hch_t-1+b_c) (6)

o_t＝σ(W_xox_t+W_hoh_t-1+W_coc_t+b_o) (7)

h_t＝o_ttanh(c_t) (8)。

3.根据权利要求1所述的基于CNN+LSTM的风电功率预测模型，其特征在于：在模型的数据预处理阶段，对风速、温度、大气密度和风电功率采用全年统计的极限值进行归一化，将其数值归算到区间[-1,1]内：

其中x_max与x_min分为该变量的极大值与极小值；特别地，针对风向，考虑其物理意义，使用正弦函数对其进行归算，反映出风速在某一特定方向上的投影系数；

x′＝sin(x) (10)

经过预测模型得到的风电功率预测数据，再进行反归一化处理使其具有物理意义，反归一化的计算公式为:

x＝0.5[x′(x_max-x_min)+(x_max+x_min)] (11)。