(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110670786.8 (22)申请日 2021.06.17 (65)同一申请的已公布的文献号 申请公布号 CN 113449847 A (43)申请公布日 2021.09.28 (73)专利权人 江苏方天电力技 术有限公司 地址 210000 江苏省南京市江宁科 学园天 元中路19号 (72)发明人 梅睿　顾文　袁超　唐一铭　 刘亚南　杨宏宇　王斯妤　黄佳星　 (74)专利代理 机构 南京钟山专利代理有限公司 32252 专利代理师 戴朝荣 (51)Int.Cl. G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 30/27(2020.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) 审查员 夏冰 (54)发明名称 考虑秒级时间序列风速变化的海上风电功 率滚动预测方法 (57)摘要 本发明考虑秒级时间序列风速变化的海上 风电功率滚动预测方法属于电力市场的技术领 域； 解决的技术问题为： 提供一种考虑秒级时间 序列风速变化的海上风电功率滚动预测方法， 利 用数据预处理， 处理异常数据并完成海上风速与 风电功率归一化， 进而通过差分平滑功率序列建 立秒级时间尺度下风速预测模型， 最后建立滚动 LSTM记忆网络， 实现秒级时间序列数据的预测并 对应该风速下的风电功率； 采用的技术方案为： 考虑秒级时间序列风速变化的海上风电功率滚 动预测方法， 包括以下步骤： 步骤S1） 风速与风电 功率数据的预处理， 步骤S2） 建立风速与风电功 率预测模型， 步骤S3） 算例分析验证 。 权利要求书3页 说明书9页 附图7页 CN 113449847 B 2022.08.19 CN 113449847 B 1.考虑秒级时间序列风速变化的海上风电功率滚动预测方法， 其特征在于： 包括以下 步骤： 步骤S1)风速与风电功率数据的预处 理； 步骤S2)建立 风速与风电功率预测模型； 步骤S3)算例分析验证； 所述的步骤S1)中， 对风速与风电功率数据的预处 理过程为： 步骤S11)异常数据处 理与归一 化： (1)实验数据 海上风电场 通过各种传感器采集测风数据， 并通过数据传输装置实现现场数据的快速 转换和传输， 对原 始测风数据进行分析、 检验和修 正， 得到更为精确的历史数据； (2)Max‑Min归一化 预测模型训练前， 由于模型中的GRU神经单元采用Sigmoid和tanh函数作为激活函数， 并且也为了提高风电功率预测的精度和数据在训练过程中的收敛速度， 采用Max ‑Min归一 化方法对原始风电功 率数据进 行归一化处理， 将其转换为[0,1]区间的数据， 数据归一化的 公式为： 式中， y为归一化后的风电功率值； xmax为原始风电功率数据中的最大值； xmin为原始风 电功率数据中的最小值； xi为实际的风电功率 值； 在一般情况下， 认为风场的功率出力为每个风力发电机的叠加， 风机的输出功率可用 下式表达： 式中， Cp为风机对风能的利用系数； ρ 为空气密度； r为风机叶片半径； v 为风速； 其中风能 利用系数表示风电功 率与风能的比值， 也就是风机对风能的转化效率， 根据贝兹极限， 在不 考虑尾流影响的条件下， 水平风机的风能利用系数最大为0.593； 步骤S12)风速与风电功率拟合关系分析 由于风速变化， 小风速与过大风速不利于风力发电， 小风速无法带动叶片转动， 过大风 速会引起海上风电机组故障， 在设计时， 海上风电机组需安装限速装置， 保证风机在大风时 能安全运行， 风机设计时有以下规定： 切入风速vin， 切出风速vout， 额定风速vr， 因此海上风 电功率公式也可以表示： 式中， f(v)作为在风速在切入风速与额定风速之间下的海上风电功率与风速的关系方 程； Pr表示切出风速与额定风速之间的海上风电功率； 但现实中无法准确求解风速与风电功率的关系， 无法求解风速与风电功率的实际方 程， 故采用Sigmoidal模型、 采用b oltzmann方程进行非线性拟合风速与风电功率的实际方权　利　要　求　书 1/3 页 2 CN 113449847 B 2程， 如下所示： 式(4)为bo ltzmann方程； A1,A 2,x0,B是boltzmann方程的参数； 所述的步骤S2)中， 建立 风速与风电功率预测模型的过程 为： 步骤S21)建立秒级时间尺度下风电功率预测模型： 时间序列具有动态时间特性， 即当前时刻的序列值与 前若干个时刻的序列值具有相关 性， 相关性随时间间隔减小而增加， 而海上风电具有众多不确定因素， 如风向、 气压、 温度， 根据其海 上风力波动规律与时间序列， 判断未来短期风速变化， 以此预测风电功 率大小， 秒 级时间尺度下 单一风速变化预测模型表示 为： P(t)＝f1(P(t‑θ ),P(t‑2 θ ),…)+E(t)     (5) 式中： θ为数据采集的时间间隔； f1为海上风电功率序列的时间相关性函数； E(t)为t时 刻预测误差； 由于天气系统 的复杂性， 海上风电功率序列具有不平稳性， 通过差分平滑功率序列， 可 降低f1复杂度， 减小预测误差， 即： ΔP(t)＝f2(ΔP(t‑θ ),ΔP(t ‑2 θ ),…)+e(t)     (6) 式中： ΔP(t)为t时刻与t ‑θ 时刻海上风电功率的变化值； f2为海上风电功率差分序列的 时间相关性 函数； e(t)为t时刻的最小预测误差； P为(t ‑2 θ )时刻下的海上风电功率； 步骤S22)建立滚动LSTM神经网络模型： 循环神经网络是人工神经网络的一种， 循环神经网络善于处理时间序列数据， 可以在 时间轴上描述数据前后关系， LSTM是由Hochreiter和Schmidhuber作为循环神经网络的衍 生而提出， LSTM在循环神经网络隐藏层中添加多个特殊的计算节点， 改善反向传播时梯度 传递方式， 有效减缓梯度消失或梯度爆 炸的情况， 解决了因RNN存在长期依赖问题而 无法建 立时间跨度的预测模型问题； LSTM模型网络拓扑结构中引入了门控单元控制本时刻信息对前信息的影响， 模型具有 时间的记忆 性， 适用于长时间非线性序列预测问题， LSTM网络结构由输入门、 输出门和遗忘 门所构成， 相较于RNN不同的是： 其内部有多个隐藏层， 隐藏层的神经元被替换为具有门控 机制的记 忆单元； 得出LSTM记忆网络结构图， 记忆细 胞单元是LSTM 网络的核心组件， 模型的输入包含t时 刻序列输入xt， t‑1时刻隐藏层细 胞状态ht‑1和记忆单元ct‑1； 输出包含记忆单元状态ct与隐 藏层状态ht， 其中ct与ht各自包含了模 型的长期、 短期记忆信息， 通过控制输入门、 遗忘门和 输出门来实现记忆细胞单元的读取和修改， 进行网络之间的信息流动， t anh表示t anh的激 活函数， 输入门利用sigmoid激 活函数对参数进行录入， 将变量控制在[0， 1]之间， 实现xt对 ct的控制； 遗忘门的是将上一时刻的神经元状态选择性遗忘， 具体表现形式是利用记忆单 元ct‑1对ct的控制； 输出门用来输出和控制参数变量， 即利用ct对ht的影响程度， 计算公 式分 别如下： it＝σ(Wixxt+Wihht‑1+bi)    (7) ft＝σ(Wfxxt+Wfhht‑1+bf)    (8) ot＝σ(Woxxt+Wohht‑1+bo)    (9)权　利　要　求　书 2/3 页 3 CN 113449847 B 3