CN117349622A - 基于混合深度学习机制的风电场风速预测方法 - Google Patents
基于混合深度学习机制的风电场风速预测方法 Download PDFInfo
- Publication number
- CN117349622A CN117349622A CN202311363797.7A CN202311363797A CN117349622A CN 117349622 A CN117349622 A CN 117349622A CN 202311363797 A CN202311363797 A CN 202311363797A CN 117349622 A CN117349622 A CN 117349622A
- Authority
- CN
- China
- Prior art keywords
- data
- deep learning
- network
- neural network
- wind speed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013135 deep learning Methods 0.000 title claims abstract description 34
- 230000007246 mechanism Effects 0.000 title claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 230000015654 memory Effects 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 19
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 abstract description 3
- 238000006731 degradation reaction Methods 0.000 abstract description 3
- 230000008030 elimination Effects 0.000 abstract description 2
- 238000003379 elimination reaction Methods 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract 1
- 230000007613 environmental effect Effects 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于混合深度学习机制的风电场风速预测方法，该方法基于深度学习算法和多源数据的融合，通过获取风电机组状态数据、气象站数据、时序数据等多种相关数据，进行数据预处理和规范化处理后，利用深度神经网络、卷积神经网络、长短时记忆网络LSTM和残差网络等多种深度学习算法对数据进行特征提取和分析，预测输出模块输出预测结果；优点：解决了现有技术中风电场风速预测精度低、处理效率慢等问题，同时解决了深度学习网络中的梯度消失和网络退化等常见问题，保证了网络结构的稳定性和可靠性，有效地降低误差率，提升预测准确性。
Description
技术领域
本发明涉及风速预测技术领域，具体为一种基于混合深度学习机制的风电场风速预测方法。
背景技术
风速预测在风电场运营管理中起着至关重要的作用。当前常见的风速预测方法包括基于物理模型的预测和统计学习方法。然而，基于物理模型的预测需要考虑过多的环境因素和风场结构等细节，模型复杂度高且难以获得准确的初始条件，因此预测效果有限。而基于统计学习方法的预测又存在数据缺失和非线性等问题，预测精度和鲁棒性都无法满足需要。
发明内容
本发明提出一种基于混合深度学习机制的风电场风速预测方法，主要解决了现有技术中风电场风速预测精度低、处理效率慢等问题。
采取的技术方案为：一种基于混合深度学习机制的风电场风速预测方法，其特征在于：包括以下步骤：
S1、获取多种相关的原始数据，包括风电机组本身的状态数据、气象站数据、时序数据等；
S2、对获取的原始数据进行预处理和规范化，包括缺失值处理、异常值剔除、标准化等；
S3、使用深度神经网络对预处理后的数据进行处理和特征提取，得出深度特征；
S4、使用卷积神经网络、长短时记忆网络LSTM和残差网络对深度特征进行信息提取和特征解析；
S5、将处理后的数据输入全连接层进行微调和输出预测；
S6、输出预测结果作为风电场风速预测结果。
对本发明技术方案的进一步优选，步骤S4中残差网络对深度特征进行映射修改，将输出激活反馈给卷积神经网络；卷积神经网络采用时间卷积神经网络TCN，时间卷积神经网络TCN和长短时记忆网络LSTM组成的混合深度学习TCN-LSTM模型进行特征提取和信息解析；长短时记忆网络LSTM中引入注意力机制同时采用多个门控循环单元GRU进行时序序列数据的特征提取。
对本发明技术方案的进一步优选，残差网络中包含多个残差块，各残差块之间依次连接，残差块包括两个卷积层和激活函数，残差块的输出与原始输入相加形成残差连接；用于解决深度学习网络中的退化问题，实现更深的网络架构和更好的特征表示。
对本发明技术方案的进一步优选，具体的门控循环单元GRU推理过程如下所示：
遗忘门：，/>是遗忘门权重，/>输入和输出变量串联成一个时间序列，/>偏置项，σ是激活函数sigmoid，输入门：/>，输入的单元状态：/>，当前时刻的单元状态：/>，输出门：/>，输出门/>、单元状态/>，输出值：/>；用于一定程度上避免梯度消失问题。
对本发明技术方案的进一步优选，深度神经网络和卷积神经网络采用定制的参数设置，并通过损失函数进行自适应学习和训练，具体损失函数为：，其中，/>为风速观测值，/>为预测值；用于优化目标误差收敛过程。
对本发明技术方案的进一步优选，深度神经网络和卷积神经网络都采用ReLU、Sigmoid、Tanh函数作为激活函数，可有效防止梯度消失同时增加网络的非线性。
对本发明技术方案的进一步优选，深度神经网络和卷积神经网络采用反向传播算法对整个方法模型进行训练。
本发明与现有技术相比，其有益效果是：
1、提高了风速预测的精度和准确性；该方法采用深度神经网络和混合深度学习TCN-LSTM模型对多种原始数据进行处理和特征提取，可以有效地降低数据缺失的影响和减少误差，提高了风速预测的精度和鲁棒性，为风电场提供更精确的气象信息和数据分析依据。
2、本发明的混合深度学习TCN-LSTM模型采用定制的参数设置和损失函数训练机制，可以自适应学习和优化网络参数，提高了模型的可调节性和可运行性。
3、通过采用多个门控循环单元GRU进行时序序列数据的特征提取和残差网络等技术手段，解决了深度学习网络中的梯度消失和网络退化等常见问题，保证了网络结构的稳定性和可靠性。
附图说明
图1为本实施例整体模型结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
本实施例的一种基于混合深度学习机制的风电场风速预测方法，包括以下步骤：
S1、获取多种相关的原始数据，包括风电机组本身的状态数据、气象站数据、时序数据；
S2、对获取的原始数据进行预处理和规范化，包括缺失值处理、异常值剔除、标准化；
S3、使用深度神经网络对预处理后的数据进行处理和特征提取，得出深度特征；
S4、使用卷积神经网络、长短时记忆网络LSTM和残差网络对深度特征进行信息提取和特征解析；
S5、将处理后的数据输入全连接层进行微调和输出预测；
S6、输出预测结果作为风电场风速预测结果。
本实施例中，风电机组本身的状态数据、气象站数据、时序数据可从从风电机组和气象站等多个数据源采集风电场相关的多维数据。
本实施例中的原始数据包括风速数据集和环境特征数据集，风速数据集由紧邻目标时刻之前的n个时刻各自所对应的风速所组成的时间序列的数据集合，环境特征数据集由紧邻目标时刻的上一时刻的环境特征相对应的m个环境特征数据组成的数据集合，环境特征数据包括辐射、温度、湿度、压强、风向等环境特征因素所对应的数据。
对原始数据进行预处理和规范化，包括缺失值处理、异常值剔除、标准化。
使用深度神经网络对预处理后的数据进行处理和特征提取，通过上一层的输出特征作为下一层的输入特征，通过逐层特征映射后，得出深度特征。
如图1所示，本实施例中，卷积神经网络采用时间卷积神经网络TCN，时间卷积神经网络TCN和长短时记忆网络LSTM组成的混合深度学习TCN-LSTM模型，时间卷积神经网络TCN和残差网络共同组成时间卷积块TCN，风速序列以通道方式输入时间卷积块，通过三个连续的时间卷积块TCN反馈，所有卷积块都用64个大小为3×3的过滤器，沿纵向进行特征降维，以保持时间维不变，每个时间卷积块TCN后通过批量正则化和ReLU函数激活归一化，时间卷积块TCN的输出激活被重塑为一维的时间序列输入长短时记忆网络LSTM中。
长短时记忆网络LSTM中引入注意力机制同时采用多个门控循环单元GRU进行时序序列数据的特征提取。
时间卷积块TCN内部输入先通过残差网络对深度特征进行映射修改，将输出激活反馈给时间卷积神经网络TCN。
残差网络中包含多个残差块，各残差块之间依次连接，残差块包括两个卷积层和激活函数，残差块的输出与原始输入相加形成残差连接，本实施例中，使用了10个残差块，膨胀率d={20,21,...,25}，残差块由256个大小为3的滤波器组成的一维扩展卷积和扩展速率d，在扩展卷积之后立即采用批处理规范化（分别传递给Tanh和sigmoid函数激活,在最后的卷积层之前，有256个大小为1的滤波器，利用空间丢弃正则化输出到最后的卷积层中。
输出激活将作为跳跃式连接输出，并与原始输入相加形成残差连接，将对所有跳过连接的总和通过ReLU激活函数，把特征保留并映射出来，反馈给时间卷积神经网络TCN。
时间卷积神经网络TCN包括两个连续的卷积层、池化层和输出层，两个连续的卷积层分别为时间卷积层和空间卷积层。
时间卷积层：时间卷积操作的目的是提取变量自身的自相关特征，时间卷积层使用多个维度为ｗ×１的卷积核（ｗ代表卷积核的高度），特征矩阵Xk求解过程，最后通过把每个提取的影响特征根据影响权重大小进行加权求和：/>。
空间卷积层：目的是提取变量之间的互相关特征。通过k个不同尺度的卷积核与矩阵Xt得到卷积计算如下：；为了使卷积得到的每一个hk的长度为Ｔ，当hk＜Ｔ时，则在hk的左边填充0使其长度为Ｔ，卷积层输出一个大小为dc×Ｔ的矩阵，dc等于空间卷积核的数量。
空间卷积之后得到互相关的影响因子权重卷积特征图，接着，沿着时间维度进行时间序列特征提取，最后把两者组合构成二维特征矩阵图。
二维特征矩阵图经过池化层从而降低特征图的维度，同时提高模型的鲁棒性，本实施例中池化层采用最大池化法。
本实施例中时间卷积神经网络TCN中的输出层中还引入了损失函数，用于深度神经网络和卷积神经网络进行自适应学习和训练从而优化目标误差，具体损失函数为：，其中，/>为风速观测值，/>为预测值。
空间卷积得到的多张向量特征图经过池化后由时间卷积神经网络TCN的输出层送入LSTM网络，提取时间序列数据的长短期趋势，并跳跃连接门控循环单元GRU的历史记忆。
跳跃连接可从而扩大信息流动范围，同时有助于梯度的反向传播，加快训练过程，可捕捉时间序列中的超长期趋势，跳跃连接更新过程表达如下：、、/>、,ｐ为跳过层数，σ为激活函数。
跳转连接到（t-p）阶后，得到输出模型hD（t）, hD（t）为：
。
在长短时记忆网络LSTM中，时间卷积块TCN的输出激活被重塑为一维的时间序列，输入到长短时记忆网络LSTM中的LSTM层，本实施例中长短时记忆网络LSTM含有两个LSTM层，每个LSTM层包含128个被Tanh激活的GRU细胞序列一定程度上避免了梯度消失问题。
长短时记忆网络LSTM的计算包括向前和反馈两个方向运算和存储过程。
其中，长短时记忆网络LSTM前向的计算过程包括：遗忘、状态更新、输入、输出等过程。遗忘门决定上一时刻的单元状态ct-1是否包括还是丢弃；输入门决定了当前的时刻的网络输入xt有效信息值得保留，输出门ht决定是否输出到下一状态还是丢弃。
具体的门控循环单元GRU推理过程如下所示：
遗忘门：，/>是遗忘门权重，/>输入和输出变量串联成一个时间序列，/>偏置项，σ是激活函数sigmoid；
输入门决定当前时刻输入xt,当前状态ct是否保留,输入门计算如下：，当前输入的单元状态：/>，
当前时刻的单元状态：；
输出门：，输出门/>控制单元状态ct信息是否输出到LSTM网络的当前输出值ht；
当前输出值ht：输出门控制长期记忆对当前输出的影响。
本实施例中，长短时记忆网络LSTM模型中添加一个池化层，池化层中引入注意力机制，具体注意力机制计算如下： 、/> 、。
本实施例，注意力机制使用SoftMax函数获得注意力权重，将LSTM层每个时间步的输出 与一层权重加权求和并通过SoftMax进行输出得到α作为注意力系数，与输出值的加权即得到了注意力值。
注意力机制经过注意力机制计算后，输出预测值被提供给三个全连接块的并行分支。
每个分支由一个全连接层FC组成，其中每个分支的第一层有128个FC神经元，每个分支的最后一层采用sigmoid激活以确保输出范围，全连接层的输出层中引入BP神经网络，卷积神经网络和长短时记忆网络LSTM采用BP神经网络的反向传播算法进行训练。
本实施例中，累积的已知历史风速数据和与每个已知风速数据对应的环境特征数据归一化处理后传输到BP神经网络中，作为样本训练数据对整个方法模型进行自动深度学习，从而使整个方法模型可以尽可能的了解样本训练数据对应的风速数据特征并且，根据风速数据的特征来调整设卷积神经网络和长短时记忆网络LSTM模型本身的参数值，风速数据的特征可以是时间序列前后风速之间的纵向相关。
本实施例中，深度神经网络和卷积神经网络都采用ReLU、Sigmoid、Tanh函数作为激活函数。
基于混合深度学习机制的风电场风速预测方法还可设计出预测系统，预测系统包括数据采集模块、预处理模块、深度学习模块和预测输出模块；
数据采集模块负责获取风电机组本身的状态数据、气象站数据、时序数据等多种相关的原始数据，数据采集模块将采集到的数据传输到预处理模块中；
预处理模块对获取的原始数据进行预处理和规范化，包括缺失值处理、异常值剔除、标准化等，再将数据传输到深度学习模块中；
深度学习模块通过使用深度神经网络、时间卷积神经网络TCN、长短时记忆网络LSTM和残差网络等多种深度学习算法对预处理后的数据进行处理、特征提取、信息提取和特征解析；
预测输出模块包括全连接层，全连接层对深度学习模块处理后的数据进行处理和分析，预测结果输出值包括风速值和风速预测误差值。
深度学习模块中，深度神经网络对预处理后的数据进行处理和特征提取，得出深度特征；再由经过由时间卷积神经网络TCN和残差网络组成的时间卷积块TCN和由长短时记忆网络LSTM构成的LSTM块组合构成的混合深度学习TCN-LSTM模型进行信息提取和特征解析得出最后的预测输出值。
预测输出值被提供给预测输出模块，预测输出模块内部的全连接层中引入BP神经网络算法对卷积神经网络和长短时记忆网络LSTM进行训练，同时全连接层内部对深度学习模块处理后的数据进行处理和分析，使输出结果更加准确，最终输出风速预测值和预测误差值。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。
Claims (7)
1.一种基于混合深度学习机制的风电场风速预测方法，其特征在于：包括以下步骤：
S1、获取多种相关的原始数据，包括风电机组本身的状态数据、气象站数据、时序数据；
S2、对获取的原始数据进行预处理和规范化，包括缺失值处理、异常值剔除、标准化；
S3、使用深度神经网络对预处理后的数据进行处理和特征提取，得出深度特征；
S4、使用卷积神经网络、长短时记忆网络LSTM和残差网络对深度特征进行信息提取和特征解析；
S5、将处理后的数据输入全连接层进行微调和输出预测；
S6、输出预测结果作为风电场风速预测结果。
2.根据权利要求1所述的一种基于混合深度学习机制的风电场风速预测方法，其特征在于：步骤S4中残差网络对深度特征进行映射修改，将输出激活反馈给卷积神经网络；卷积神经网络采用时间卷积神经网络TCN，时间卷积神经网络TCN和长短时记忆网络LSTM组成的混合深度学习TCN-LSTM模型进行特征提取和信息解析；长短时记忆网络LSTM中引入注意力机制同时采用多个门控循环单元GRU进行时序序列数据的特征提取。
3.根据权利要求2所述的一种基于混合深度学习机制的风电场风速预测方法，其特征在于：残差网络中包含多个残差块，各残差块之间依次连接，残差块包括两个卷积层和激活函数，残差块的输出与原始输入相加形成残差连接。
4.根据权利要求2所述的一种基于混合深度学习机制的风电场风速预测方法，其特征在于：具体的门控循环单元GRU推理过程如下所示：
遗忘门：，/>是遗忘门权重， />输入和输出变量串联成一个时间序列，/>偏置项，σ是激活函数sigmoid，
输入门：，输入的单元状态：/>，
当前时刻的单元状态：，
输出门：，输出门/>、单元状态/>，
输出值：。
5.根据权利要求1所述的一种基于混合深度学习机制的风电场风速预测方法，其特征在于：深度神经网络和卷积神经网络采用定制的参数设置，并通过设置损失函数进行自适应学习和训练，具体损失函数为： ，其中，/>为风速观测值，/>为预测值。
6.根据权利要求1所述的一种基于混合深度学习机制的风电场风速预测方法，其特征在于：深度神经网络和卷积神经网络都采用ReLU、Sigmoid、Tanh函数作为激活函数。
7.根据权利要求1所述的一种基于混合深度学习机制的风电场风速预测方法，其特征在于：深度神经网络和卷积神经网络采用反向传播算法对整个方法模型进行训练。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2023111866416 | 2023-09-14 | ||
| CN202311186641 | 2023-09-14 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117349622A true CN117349622A (zh) | 2024-01-05 |
Family
ID=89359151
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311363797.7A Pending CN117349622A (zh) | 2023-09-14 | 2023-10-20 | 基于混合深度学习机制的风电场风速预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117349622A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117878928A (zh) * | 2024-03-12 | 2024-04-12 | 国能日新科技股份有限公司 | 一种基于深度学习的风电功率预测方法及装置 |
-
2023
- 2023-10-20 CN CN202311363797.7A patent/CN117349622A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117878928A (zh) * | 2024-03-12 | 2024-04-12 | 国能日新科技股份有限公司 | 一种基于深度学习的风电功率预测方法及装置 |
| CN117878928B (zh) * | 2024-03-12 | 2024-05-14 | 国能日新科技股份有限公司 | 一种基于深度学习的风电功率预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112052886B (zh) | 基于卷积神经网络的人体动作姿态智能估计方法及装置 | |
| CN110458844B (zh) | 一种低光照场景的语义分割方法 | |
| CN112561148A (zh) | 基于一维卷积神经网络和lstm的船舶轨迹预测方法及系统 | |
| CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
| CN111353631A (zh) | 基于多层lstm的火电厂凝汽器真空度预测方法 | |
| CN106228185A (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
| CN117349622A (zh) | 基于混合深度学习机制的风电场风速预测方法 | |
| Yang et al. | Harmonious coexistence of structured weight pruning and ternarization for deep neural networks | |
| CN114297907A (zh) | 温室环境空间分布预测方法及装置 | |
| CN111915097B (zh) | 基于改进遗传算法优化lstm神经网络的水质预测方法 | |
| CN111582396A (zh) | 一种基于改进卷积神经网络的故障诊断方法 | |
| CN115204035A (zh) | 基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质 | |
| CN114004383A (zh) | 时间序列预测模型的训练方法、时间序列预测方法及装置 | |
| CN111695590A (zh) | 约束优化类激活映射的深度神经网络特征可视化方法 | |
| CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
| CN114116944A (zh) | 一种基于时间注意力卷积网络的轨迹预测方法及装置 | |
| CN115544890A (zh) | 一种短期电力负荷预测方法及系统 | |
| CN113627240B (zh) | 一种基于改进ssd学习模型的无人机树木种类识别方法 | |
| Sari et al. | Daily rainfall prediction using one dimensional convolutional neural networks | |
| CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
| Mulyadi et al. | Sunshine duration prediction using 1D convolutional neural networks | |
| CN116646927A (zh) | 一种基于分段滤波与纵横聚类的风电功率预测方法 | |
| CN116187561A (zh) | 一种基于空间时域卷积网络的pm10浓度精细化预测方法 | |
| CN112465054B (zh) | 一种基于fcn的多变量时间序列数据分类方法 | |
| CN116722548B (zh) | 一种基于时间序列模型的光伏发电预测方法及相关设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |