(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 202211031868.9 (22)申请日 2022.08.26 (71)申请人 河北大学 地址 071002 河北省保定市五四东路180号 (72)发明人 张照彦　刘攀　 (74)专利代理 机构 石家庄国域专利商标事务所 有限公司 131 12 专利代理师 胡澎 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06Q 50/06(2012.01) (54)发明名称 一种风电机组发电功率的预测方法 (57)摘要 本发明公开了一种风电机组发电功率的预 测方法， 该方法包括以下步骤： S1、 获取被测风电 机组系统中各项特征因素的历史数据； S2对数据 预处理， 删除其中的异常数据， 并进行归一化操 作； S3、 利用随机森林模型， 对经预处理后的历史 数据进行训练， 并对高维数据进行降维处理； S4、 对筛选及降维处理后的历史数据进行重构， 将重 构后的历史数据作为数据集， 以构建双向长短记 忆神经网络模型； S5、 利用 双向长短记忆神经网 络模型进行训练， 对指标进行评估， 以确定最优 模型； S6、 利用最优模型对不包含目标值的训练 数据进行预测， 得到预测结果。 本发明风电机组 功率预测方法通过建立预测模型得到预测结果， 通过指标判断最优 模型， 得到最佳预测效果。 权利要求书1页 说明书6页 附图6页 CN 115496264 A 2022.12.20 CN 115496264 A 1.一种风电机组发电功率的预测方法， 其特 征是， 包括以下步骤： S1、 数据获取： 获取被测风电机组系统中包括温度、 湿度、 气压、 露点温度、 风速、 风强在 内的各项特 征因素的历史数据； S2、 数据预处理： 对获取的历史数据进行预处理， 删除其中的异常数据， 并对历史数据 进行归一 化操作； S3、 数据降维： 通过随机森林模型， 对经预处理后的历史数据进行训练， 利用随机森林 模型中的重要性对特 征向量进行直观排名， 筛 选出重要特 征， 实现对高维数据的降维处 理； S4、 模型构建： 对筛选及降维处理后的历史数据进行重构， 将重构后的历史数据作为数 据集， 以构建双向长短记 忆神经网络模型RF ‑BiLSTM； S5、 最优模型： 利用所构建的双向长短记忆神经网络模型RF ‑BiLSTM进行训练， 然后对 预测结果与实际值之间的包括均方误差MSE、 均方根误差RMS E、 平均绝对误差MAE、 确定系数 R‑squared以及运行时间在内的各指标进行评估， 确定最优 模型； S6、 结果预测： 利用最优 模型对不包 含目标值的训练数据进行 预测， 得到预测结果。 2.根据权利要求1所述的风电机组发电功率的预测方法， 其特征是， 步骤S3 中的高维数 据降维处 理方式是， 将高维数据中排名靠后的特 征删除， 保留重要特 征。 3.根据权利要求2所述的风电机组发电功率的预测方法， 其特征是， 步骤S4的具体操作 方式是： S4‑1、 对经步骤S3 筛选及降维处 理后的历史数据进行重构， 得到新的训练数据组； S4‑2、 利用长短记忆神经网络， 初步设计步长选取60， 一次选取32个数据 为一组， 建立4 层的网络隐含层， 迭代5 0次， 以平均绝对误差作为激活函数， 构建单一的LSTM模型； S4‑3、 加入超参数， 取校验数据集， 监控验证集的损失函数， 容忍度为20， 为每个epoch 输出一行记录， 并且保留最佳模型优化 参数； S4‑4、 利用单一的长短记忆神经网络迭代后的损失函数， 判断选取合理的参数， 构 建双 向长短记 忆神经网络模型RF ‑BiLSTM。权　利　要　求　书 1/1 页 2 CN 115496264 A 2一种风电机组发电功率的预测方 法 技术领域 [0001]本发明涉及一种电力调度方法， 具体地说是一种风电机组发电功率的预测方法。 背景技术 [0002]电力系统中风电作为新能源的板块， 其对应的数据来源比较丰富， 其中机组本身 所配备的数据采集与气象局对应的每天气象数据， 合理利用这些信息可以实现对风电机组 的功率预测， 以确保机组的运行 可靠性和电能质量， 提高机组运行的经济性。 [0003]随机森林作为机器学习的方法， 机器学习是一门多领域交叉学科， 近年来随着机 器学习的发展， 各种机器学习算法的应用范围不断扩大。 在系统结构的研究中， 也越来越多 地使用相关算法来实现研究目标， 目前随机森林算法在工业很多领域的学习皆有涉及。 [0004]长短记忆网络(LSTM)是传统递归神经网络RNN(循环神经网络)改良后的成果。 相 较于普通的RNN， LSTM增加了一个记忆单元(cell)用于判断信息有用与否， 从而解决了长序 列训练过程中的梯度消失和梯度爆 炸问题。 这一改进使得其能在更长的序列中有 更好的表 现。 但是， 长 短记忆网络只是对过去的信息做出判断， 而不能对将来信息做出判断， 因此， 对 提高风电机组发电功率预测准确性的作用不大。 [0005]目前， 在电力系统中负荷功率预测的方法很多， 但在实际运用中， 考虑到客观因素 (如气象因素)等的影响， 就会涉及到高维特征。 传统的功率预测方法都是基于时间序列而 没有考虑到特征因素， 只是对历史数据进行训练得到预测结果， 这种 预测方法的训练周期 长， 而预测准确 性不高， 甚至有出现欠拟合或者过拟合的现象。 在特征因素参考中， 单一使 用决策树 等进行训练， 虽然训练速度快， 但预测精度较低。 发明内容 [0006]本发明的目的就是提供一种风电机组发电功率的预测方法， 以解决现有传统预测 方法对风电机组发电功率预测精度不高的问题。 [0007]本发明是这样实现的： 一种风电机组发电功率的预测方法， 包括如下步骤： [0008]S1、 数据获取： 获取被测风电机组系统中包括温度、 湿度、 气压、 露点温度、 风速、 风 强在内的各项特 征因素的历史数据； [0009]S2、 数据预处理： 对获取的历史数据进行预处理， 删除其中的异常数据， 并对历史 数据进行归一 化操作； [0010]S3、 数据降维： 通过随机森林模型， 对经预处理后的历史数据进行训练， 利用随机 森林模型中的重要性对特征向量进行直观排名， 筛选出重要特征， 实现对高维数据的降维 处理； [0011]S4、 模型构建： 对筛选及降维处理后的历史数据进行重构， 将重构后的历史数据作 为数据集， 以构建双向长短记 忆神经网络模型RF ‑BiLSTM； [0012]S5、 最优模型： 利用所构建的双向长短记忆神经网络模型RF ‑BiLSTM进行训练， 然 后对预测结果与实际值之间的包括均方误差MSE、 均方根误差RMS E、 平均绝对误差MAE、 确定说　明　书 1/6 页 3 CN 115496264 A 3