[发明专利]风电机组的功率预测方法、功率预测装置和电子装置

权利要求书

1.一种风电机组的功率预测方法，其特征在于，包括：

获取预测时刻前多个所述风电机组的功率数据，并对多个所述风电机组的功率数据进行二阶差分处理，得到多个样本数据，多个所述样本数据的部分为测试数据，另一部分为训练数据；

将所述测试数据依次输入至长短期记忆人工神经网络模型，得到多个所述风电机组的预测功率数据，其中，所述长短期记忆人工神经网络模型为使用多组第一历史数据通过机器学习训练出的，多组所述第一历史数据中的每组数据均包括：第一时间段的所述训练数据和第二时间段的所述训练数据，所述第二时间段的起始时刻在所述第一时间段的结束时刻之后，所述预测功率数据为所述测试数据之后的功率数据；

将各所述风电机组的预测功率数据和对应的所述测试数据输入至判别器模型，判断所述风电机组的模拟预测功率数据是否正确，其中，所述判别器模型为使用多组第二历史数据通过机器学习训练出的，多组所述第二历史数据中的每组数据均包括：第一拼接数据和第二拼接数据，其中，所述第一拼接数据为所述风电机组的模拟预测功率数据与第一时间段的所述训练数据拼接得到的，所述第二拼接数据为第二时间段的所述训练数据与第一时间段的所述训练数据拼接得到的；

在所述判别器模型的损失函数收敛的情况下，确定所述预测功率数据为目标预测功率数据。

2.根据权利要求1所述的方法，其特征在于，对多个所述风电机组的功率数据进行二阶差分处理，得到多个样本数据，包括：

根据公式p₁(x+2)＝(p(x+2)-p(x+1))-(p(x+1)-p(x))，对所述风电机组的功率数据进行二阶差分处理，得到第一数据，其中，p₁(x+2)为所述二阶差分处理后的x+2时刻所述风电机组的功率数据，p(x+2)为x+2时刻所述风电机组的功率数据，p(x+1)为x+1时刻所述风电机组的功率数据，p(x)为x时刻所述风电机组的功率数据；

确定多个所述第一数据组成的矩阵的转置为所述样本数据。

3.根据权利要求1所述的方法，其特征在于，在得到多个样本数据之后，将所述测试数据输入至长短期记忆人工神经网络模型之前，所述方法还包括：

根据公式对所述样本数据进行归一化处理，得到第二数据，其中，p₁为所述样本数据，p_{1_max}为多个样本数据中的最大值，p_{1_min}为多个所述样本数据中的最小值，p₂为所述第二数据。

4.根据权利要求1所述的方法，其特征在于，所述长短期记忆人工神经网络模型和所述判别器模型训练过程中的目标函数为：其中，x为所述风电机组的模拟预测功率数据，y为所述测试数据，z为随机噪声，V(G,D)为所述目标函数，x～P_data(x)表示x服从所述风电机组的模拟预测功率数据分布，为x服从所述风电机组的模拟预测功率数据分布的期望值，z～P_z(z)表示z服从随机分布，为z服从随机分布的期望值，D(x|y)为所述风电机组的模拟预测功率数据在所述测试数据的条件下经过所述判别器模型的输出，G(z|y)为所述随机噪声在所述测试数据的条件下经过所述长短期记忆人工神经网络模型的输出，D(G(z|y))为G(z|y)经过所述判别器模型的输出。

5.根据权利要求1所述的方法，其特征在于，所述长短期记忆人工神经网络模型包括双向长短期记忆人工神经网络层和长短期记忆人工神经网络层，其中，所述双向长短期记忆人工神经网络层用于根据所述样本数据的下一时刻的功率数据或所述样本数据的上一时刻的功率数据，提取所述样本数据的特征，并对所述样本数据的特征进行权重和偏置的转化，并根据激活函数得到三维数组，并将所述三维数组输入至所述长短期记忆人工神经网络层，经过所述长短期记忆人工神经网络层的输入门、遗忘门以及输出门中的至少一个，得到所述长短期记忆人工神经网络模型的输出数据。