申请/专利权人：广东工业大学

申请日：2024-03-15

公开（公告）日：2024-07-05

公开（公告）号：CN117893361B

主分类号：G06Q50/06

分类号：G06Q50/06;G06Q10/04;H02J3/00;H02J3/38

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本发明公开了一种基于多尺度分析器的海上风电功率预测方法，如下：对获取的海上风电场的功率、风速和温度数据进行初步处理，得到风电功率时间序列、风速时间序列、温度时间序列；将风电功率时间序列输入到多尺度分析器，得到趋势性特征、长周期性特征和短周期性特征；将趋势性特征、长周期性特征和短周期性特征、风电功率时间序列、风速时间序列、温度时间序列重新组合成特征向量矩阵；将所述特征向量矩阵输入至海上风电功率预测模型进行海上风电功率预测。本发明将特征向量矩阵输入海上风电功率预测模型进行海上风电功率预测，提高了海上风电功率的预测精度，具有普适性。

主权项：1.一种基于多尺度分析器的海上风电功率预测方法，其特征在于：所述方法包括步骤如下：对获取的海上风电场的功率、风速和温度数据进行初步处理，得到风电功率时间序列、风速时间序列、温度时间序列；将风电功率时间序列输入到多尺度分析器，得到趋势性特征、长周期性特征和短周期性特征；将趋势性特征、长周期性特征和短周期性特征、风电功率时间序列、风速时间序列、温度时间序列重新组合成特征向量矩阵；将所述特征向量矩阵输入至海上风电功率预测模型进行海上风电功率预测；所述将风电功率时间序列输入到多尺度分析器，得到趋势性特征、长周期性特征和短周期性特征，包括：所述多尺度分析器包括趋势信息解耦器、长周期信息解耦器和短周期信息解耦器；将所述风电功率时间序列输入到趋势信息解耦器得到趋势特征序列；将所述风电功率时间序列减去所述趋势特征序列得到功率周期特征序列；将所述功率周期特征序列输入长周期信息解耦器，得到功率长周期特征序列；将所述功率周期特征序列输入短周期信息解耦器，得到功率短周期特征序列；所述将所述风电功率时间序列输入到趋势信息解耦器得到趋势特征序列，包括：所述趋势信息解耦器由L个自适应平均池化层组成，每个自适应平均池化层的核大小为2k；所述L个自适应平均池化层对输入的所述风电功率时间序列进行处理如下： =AdaptiveAvgPoolPaddingP,2k 其中，Padding表示往时间维度填充0值，P表示风电功率时间序列，AdaptiveAvgPool表示自适应平均池化层，代表第k个自适应平均池化层的输出，代表趋势信息解耦器输出的趋势性特征序列；所述将所述功率周期特征序列输入长周期信息解耦器，得到功率长周期特征序列，包括：所述长周期信息解耦器对输入的功率周期特征序列进行快速傅里叶变换FFT得到海上风电功率的频域；根据得到的频域计算频率成分的幅值，选取前q个振幅最大的频率，其余频率成分去掉，得到新的频域；利用逆快速傅里叶变换IFFT将得到新的频域转换到时域，得到初始功率长周期特征序列；将初始功率长周期特征序列输入神经网络提取得到功率长周期特征序列；所述将所述功率周期特征序列输入短周期信息解耦器，得到功率短周期特征序列，包括：设置短周期信息解耦器的小波基函数；所述短周期信息解耦器对输入的功率周期特征序列进行连续小波变换，得到一组在不同尺度和位置下的小波系数；计算每个尺度下的平方和，得到一维能量矩阵，所述一维能量矩阵包括每个尺度下小波系数的能量；将一维能量矩阵经过softmax激活函数得到功率短周期特征序列。

全文数据：

权利要求：

百度查询： 广东工业大学 一种基于多尺度分析器的海上风电功率预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD