买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江大学海南研究院

摘要：本发明公开了一种注意力机制双通道神经网络的海上风电功率预测方法。本发明通过使用ConvLSTM‑ConvGRU双通道神经网络，以提高预测的准确性和可靠性。具体技术方案包括数据收集与预处理、双通道神经网络模型设计、注意力机制特征融合、预测模型设计、性能评估与优化等关键步骤；首先收集风速、风向、温度等环境参数的历史数据，通过特征筛选后，进行清洗、填补、归一化，以提高模型的收敛速度和预测性能；双通道神经网络模型通过并行处理不同长度时间序列下的特征数据，利用注意力机制动态调整不同特征的权重，实现特征融合。本发明主要用于风电场的运行管理，具有强适应性和实时性，满足海上风电场实时监控和调度需求。

主权项：1.一种注意力机制双通道神经网络的海上风电功率预测方法，其特征在于，包括以下步骤：S1：收集历史风场数据；S2：数据预处理；S3：构建融合注意力机制特征的双通道神经网络模型；S3.1：设计ConvLSTM通道和ConvGRU通道，将两个通道的输出特征通过全连接层进行初步融合；S3.2：注意力机制特征融合：在初步融合的特征上应用多头自注意力机制模块，通过自注意力机制模块的全连接层得到风电功率预测结果；S4：模型的训练与优化；S5：将实时监测到的风速输入步骤S4训练后的模型进行预测处理，输出对应的风电功率，实现风电功率的实时预测；所述步骤S3中：双通道神经网络模型包括输入层、卷积处理单元、LSTM模块、GRU模块、自注意力机制模块和输出层，输入层、卷积处理单元、LSTM模块组成ConvLSTM通道，输入层、卷积处理单元、LSTM模块组成ConvGRU通道；将ConvLSTM通道和ConvGRU通道的输出进行特征融合后，通过多头自注意力模块预测海上风电设备的发电功率；所述输入层的输入数据为两组具有最高相关性的风速和发电功率的历史数据；所述卷积处理单元由多个依次连接的卷积层、池化层和全连接层组成；卷积层使用卷积核提取局部特征，对输入数据进行卷积操作；卷积层处理后的数据通过池化层进行下采样，以降低特征图的空间尺度；最后通过全连接层对池化后的特征数据进行拼接，作为后续神经网络的输入数据；所述全连接层包括Dropout、梯度剪切两个步骤；经卷积层的卷积操作后应用ReLU激活函数引入非线性；所述LSTM模块包括T个LSTM单元，第一个LSTM单元的输入为卷积处理单元的输出，其余LSTM单元的输入为卷积处理单元的输出和上一个LSTM单元的输出；将T个LSTM单元的输出拼接后作为ConvLSTM通道的最终输出；所述GRU模块包括T个GRU单元，GRU单元的输入为卷积处理单元的输出，第一个GRU单元的输入为卷积处理单元的输出，其余GRU单元的输入为卷积处理单元的输出和上一个GRU单元的输出；将T个GRU单元的输出拼接后作为ConvGRU通道的最终输出。

全文数据：

权利要求：

百度查询： 浙江大学海南研究院 一种注意力机制双通道神经网络的海上风电功率预测方法