(19)中华 人民共和国 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 202111502985.4 (22)申请日 2021.12.09 (71)申请人 国电南瑞南京控制系统有限公司 地址 211106 江苏省南京市江宁区诚信大 道19号 (72)发明人 胡杨　郭王勇　张军　吴俊兴　 黄墀志　张冬冬　刘传毅　王东亮　 秦卉　肖群英　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 代理人 柏尚春 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) (54)发明名称 一种基于时空相关性的风电场短期风速预 测方法 (57)摘要 本发明公开了一种基于时空相关性的风电 场短期风速预测方法， 该方法基于VMD和混合深 度学习模型CNN ‑Attention ‑LSTM， 首先获取目标 站点风速的时空数据， 经过数据清理后进行VMD 分解， 获得较为稳定的IM F(固有模态函数)分量； 进一步地， 针对各IMF分量， 应用底层的CNN模型 抽取风速的空域特征； 再应用项层LS TM模型进行 风速时域特征的提取并得到各分量的预测结果， 同时融合通道注意力机制； 最后进行合并获得最 终预测风速。 本发明充分利用风速的时空相关 性， 结合VMD和CNN ‑Attention ‑LSTM网络， 改善原 始风速的不平稳特性， 有效提高风速预测精度， 可以优化包含风电场的电网调度性能， 保障电力 系统的可靠、 经济运行。 权利要求书1页 说明书7页 附图4页 CN 114386666 A 2022.04.22 CN 114386666 A 1.一种基于时空相关性的风电场短期风速预测方法， 其特 征在于， 包括以下步骤： 步骤1、 获取风电场风速时空数据 序列， 进行 数据预处 理； 步骤2、 应用变分模态分解对预处理后的风速时空数据序列进行分解， 得到固态模式函 数分量IMF； 步骤3、 对IMF分量应用卷积神经网络模型提取风速的空域特 征； 步骤4、 应用长短时记忆模型， 结合通道注意力机制对步骤3得到的数据空域特征进行 处理， 提取时域特 征并得到风速的各 预测分量； 步骤5： 对各风速预测值分量进行叠加， 得到最终的风速预测值。 2.根据权利要求1所述的基于时空相关性的风电场短期风速预测方法， 其特征在于： 所 述数据预处理包括获取目标站点的原始时空风速序列X(t)l， 对缺失数据、 重复数据和跳变 数据使用该 数值附近的风速平均值 替换， 得到预处 理之后的风速数据 3.根据权利要求1所述的基于时空相关性的风电场短期风速预测方法， 其特征在于： 步 骤3中所述的卷积神经网络模型包括卷积层、 池化层和全连接层， 具体为： 卷积层： 其中， 代表特征图谱中的第l层的第q个 特征， 代表第l层的核滤波器， 代表偏移向量， Mq是输入数据选择区域， *代表卷积操作， p代 表当前使用的数据； 池化层： 其中， down(·)为下取样操作； 全连接层： xl＝g(∝lxl‑1+bl)， ωl和bl分别代表权矩阵和偏移向量。 4.根据权利要求1所述的基于时空相关性的风电场短期风速预测方法， 其特征在于： 步 骤4所述的长短时记 忆模型为： 输入门： 遗忘门： 记忆单元： 输出门： 隐藏状态： 式中， it、 ft、 ct、 ot、 ht分别表示输入门、 遗忘门、 记忆单元、 输出门和隐藏状态； whi、 wxi、 bi、 whf、 wxf、 bf、 whc、 wxc、 bc、 who、 whx、 wco分别为长短时记忆模型中输入门、 遗忘门、 记忆单元、 输 出门和隐藏状态对应的待训练参数。 5.根据权利要求1所述的基于时空相关性的风电场短期风速预测方法， 其特 征在于： 步骤4中所述的通道 注意力机制， 表达式如下： ∝t＝f(a(ht)) 式中， ht表示LSTM的第 t个输出特征， a表示对ht进行相似性计算， f表示归一化过程， T表 示LSTM输出特征的集合， c表示加权后的特 征量，∝t表示每个特征的权重。权　利　要　求　书 1/1 页 2 CN 114386666 A 2一种基于时空相关性的风电场短期风速预测方 法 技术领域 [0001]本发明涉及 一种风速预测方法， 尤其涉及 一种基于时空相关性的风电场短期风速 预测方法。 背景技术 [0002]与煤炭、 石油、 天然气等传统能源相比， 风能具有污染低、 成本少、 可持续的特点， 目前已经成为新能源的主流， 并在世界范围内广泛应用。 根据全球风能理事会(GWEC)发布 的最新报告， 2020年全球风电装机容量达到743GW， 新增装机同比增长53％。 然而， 对于包含 风电场的电力系统来说， 风电场的随机性、 波动性和间歇性， 对整个电力系统的运行控制提 出了重大挑战。 [0003]目前， 风速预测技术可分为三类： 物理模型、 统计模型和人工智能模型。 物理模型 主要通过建立风速与气压、 空气密度、 空气湿度的关系完成风速预测。 该建模过程需要大量 的计算， 通常用于特定区域的长期风速预测。 与物理模型相比， 统计模型简单易行， 在短期 风速预测中广泛采用。 它利用历史风速数据， 建立系统输入和输出之 间的线性映射关系。 人 工智能模型 的基础是机器学习技术。 它基于大量风速时间数据， 描述系统输入和输出之间 复杂的非线性关系。 最近， 随着深度学习技术的蓬勃发展， 它们也迅速应用于短期风速预 测， 如CNN、 RNN(循环神经网络)、 GRU(门控循环单元)、 LSTM等。 该类方法结合现有的风速预 测技术以及混合神经网络模型在一定程度上取得了不错的预测结果。 但是， 目前 的短期风 速预测算法大多只关注时域数据， 而目标风电场附近站 点的风速数据也同时包含着丰富的 信息， 例如风速的空域数据。 目前这部分空域数据与预测常用的时域数据之间所具有的相 关性未得到有效的利用， 导 致短期风速预测的精度在某些情景 下的预测准确率大 大降低。 发明内容 [0004]发明目的： 针对以上问题， 本发明提出一种基于时空相关性的风电场短期风速预 测方法， 能够提高风电场短期风速预测的精度。 [0005]技术方案： 本发明所采用的技术方案是一种源测量单元测试系统及测试方法， 包 括以下步骤： [0006]步骤1、 获取风电场风速时空数据序列， 进行数据预处理； 所述数据预处理包括获 取目标站点的原始时空风速序列X(t)l， 对缺失数据、 重复数据和跳变数据使用该数值附近 的风速平均值 替换， 得到预处 理之后的风速数据 [0007]步骤2、 应用VMD对预处理后的风速时空数据序列进行分解， 得到固态模式函数分 量IMF； 步骤2中所述的应用VMD对 预处理后的风速时空数据数列进行分解， 得到表 示原始数 据时空特征的K个 分量， 即t时刻风电场第l个站点风速的第k个固态模式函数分量。 其中t∈RT， k∈RK， l∈RL。 [0008]步骤3、 对IMF分量应用CNN模型提取风速的空域特征； 其中所述的卷积神经 网络模说　明　书 1/7 页 3 CN 114386666 A 3