(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 202211046036.4 (22)申请日 2022.08.30 (71)申请人 国网湖北省电力有限公司经济技 术 研究院 地址 430077 湖北省武汉市武昌区水果湖 街徐东路47号 申请人 武汉大学 (72)发明人 陈峰　余轶　杨洁　赵红生　 杨东俊　郑旭　王博　徐敬友　 陈可　周玉洁　唐靖　叶高翔　 邵非凡　张天东　吴国鼎　郑子健　 郭露方　胡钋　 (74)专利代理 机构 武汉市首臻知识产权代理有 限公司 42 229 专利代理师 高琴(51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) H02J 3/00(2006.01) (54)发明名称 一种基于特征工程的风电出力预测方法 (57)摘要 一种基于特征工程的风电出力预测方法， 先 采用经验模态分解对历史风电出力数据进行分 解， 并获取分解得到的各分量及历史风电出力数 据的统计特征量， 将其与预测时刻前N个时刻的 风电出力值组成预测特征集， 再基于LASSO算法 模型从预测特征集中筛选出对预测时刻 的风电 出力值影 响较大的特征量， 最后将 筛选出的特征 量数据输入Bayes优化的LS TM网络模型中进行训 练， 得到预测时刻的风电出力值。 本发明不仅提 高了预测精度， 而 且无需依赖气象数据。 权利要求书3页 说明书7页 附图6页 CN 115526380 A 2022.12.27 CN 115526380 A 1.一种基于特 征工程的风电出力预测方法， 其特 征在于： 所述预测方法依次包括以下步骤： 步骤A、 采用经验模态分解对历史风电出力数据进行分解， 并获取分解得到的各分量及 历史风电出力数据的统计特征量， 将其与预测时刻前N个时刻的风电出力值组成预测特征 集； 步骤B、 基于LASS O算法模型从预测特征集中筛选出对预测时刻的风电出力值影响较大 的特征量； 步骤C、 将步骤B筛选出的特征量数据输入Bayes优化的LSTM网络模型中进行训练， 得到 预测时刻的风电出力值。 2.根据权利要求1所述的一种基于特 征工程的风电出力预测方法， 其特 征在于： 步骤B中， 筛选出对预测时刻的风电出力值影响较大的特征量后， 采用基于分类精度的 序列前向选择法CA ‑SFS确定输入Bayes优化的LSTM网络模型的最优特征量数据， 依次包括 以下步骤： S1、 将基于LASSO算法模型筛选出的所有特征量的集合F0输入Bayes优化的LSTM网络模 型中， 利用测试集数据训练网络， 得到初始预测精度； S2、 从预测特征集中选取不包含在F0中的某一特征量， 将其与F0输入Bayes优化的LSTM 网络模型中， 利用测试集数据训练网络， 得到加入该 特征量后的预测精度； S3、 循环重复步骤S2， 直至历遍预测特征集中所有不包含在F0中的特征量， 得到加入各 特征量后的预测精度， 随后选择最高预测精度所对应 的加入特征量f1， 计算其精度提升值 β， 若β 大于设定的终止准则控制参数β0， 则将f1与F0合并中以形成更新后的特征量集合F1， 同时将预测精度更新为加入f1后所对应的预测精度值， 并进入步骤S4， 若β 小于 等于β0， 则不 进行更新， 并进入步骤S6； S4、 从预测特 征集中选取不包 含在F1中的某一特 征量， 重复步骤S2、 S3所述 流程； S5、 循环重复步骤S4， 直至预测精度不再提升， 此时得到特征量集合F1， 第一次迭代完 成； S6、 从预测特征集中选取不包含在F1中的两个特征量的特征组合， 按照步骤S2 ‑S5所述 流程进行精度以及特 征量集合的更新， 此时得到特 征量集合F2， 第二次迭代完成； S7、 从预测特征集中选 取不包含在F2中的三个 特征量的特征组合， 按照步骤S6 所述流程 得到特征量集合F3， 此时第三次迭代完成； S8、 循环进行迭代， 直至达到最大迭代次数m， 此时得到的特征量集合Fm即为输入Bayes 优化的LSTM网络模型的最优特 征量。 3.根据权利要求2所述的一种基于特 征工程的风电出力预测方法， 其特 征在于： 步骤S3中， 所述精度提升值β 采用以下公式计算得到： β ＝( α2‑α1)/α1 上式中， α1、 α2分别为加入特 征量前、 后的预测精度， 该 预测精度以均方根 误差表示。 4.根据权利要求1 ‑3中任一项所述的一种基于特征工程的风电出力预测方法， 其特征 在于： 步骤B中， 所述 LASSO算法模型的目标函数为：权　利　要　求　书 1/3 页 2 CN 115526380 A 2Y＝{yi} X＝{xij} 上式中， Y、 X分别为历史风电出力数据及对应的下一时刻的风电出力值， β 为回归系数， λ为罚函数， yi为第i个历史数据所对应的下一时刻的风电出力值， xij为第i个历史数据的第 j个特征量。 5.根据权利要求1 ‑3中任一项所述的一种基于特征工程的风电出力预测方法， 其特征 在于： 步骤A中， 所述分解得到的各分量包括残差分量、 6个内涵模态分量； 所述统计特征量包括算数均值、 中位数、 截尾均值、 四分位差、 标准方差、 各阶中心矩、 偏斜度、 峰度。 6.根据权利要求5所述的一种基于特 征工程的风电出力预测方法， 其特 征在于： 所述四分位差Q采用以下公式计算得到： Q＝Q3‑Q1 上式中， Q3、 Q1分别为上四分位数、 下四分位数； 所述各阶中心 矩采用以下公式计算得到： 上式中， ml为l阶中心矩， n为数据个数， xi为第i个数据的值， 为数据均值； 所述偏斜度S采用以下公式计算得到： 所述峰度k采用以下公式计算得到： 7.根据权利要求1 ‑3中任一项所述的一种基于特征工程的风电出力预测方法， 其特征 在于： 所述步骤C依次包括以下步骤： 步骤C1、 选取输入LSTM网络模型的网络层数以及学习速率作为被优化变量， 以均方根 误差最小为目标； 步骤C2、 选取初始评估点， 形成先验数据集； 步骤C3、 选择高斯过程回归构建代理模型， 得到每组超参数对应的目标函数的期望均权　利　要　求　书 2/3 页 3 CN 115526380 A 3