(19)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 202110588491.6 (22)申请日 2021.05.28 (71)申请人 中国电力科 学研究院有限公司 地址 210003 江苏省南京市 鼓楼区南瑞路8 号 申请人 国家电网有限公司 　 国网安徽省电力有限公司 　 东南大学 (72)发明人 梁志峰　曲艺　张凯锋　毕文骏　 李智　周昶　孙檬檬　夏俊荣　 许晓慧　胡哲　孔爱良　江星星　 (74)专利代理 机构 北京安博达知识产权代理有 限公司 1 1271 专利代理师 徐国文(51)Int.Cl. G06F 30/27(2020.01) G06F 113/06(2020.01) G06F 119/02(2020.01) (54)发明名称 一种风力发电数据修补方法和系统 (57)摘要 本发明提供了一种风力发电数据修补方法 和系统， 包括： 获取风力发电时序数据， 并确定所 述风力发电时序数据中缺失部分； 以所述风力发 电时序数据中缺失部分为界， 利用集成经验模态 分解算法进行双向模态分解得到多个双向模态 数据序列和剩余分量； 利用预先建立的双向预测 模型对所述双向模态数据序列和剩余分量进行 预测， 得到双方向上的预测结果； 将所述双方向 上的预测结果进行拟合得到修补后的风力发电 时序数据； 本发 明避免了直接对非平稳非线性的 时间序列数据进行预测， 有利于更精确的预测风 电数据。 权利要求书3页 说明书8页 附图3页 CN 115408923 A 2022.11.29 CN 115408923 A 1.一种风力发电数据修补方法， 其特 征在于， 包括： 获取风力发电时序数据， 并确定所述 风力发电时序数据中缺失部分； 以所述风力发电时序 数据中缺失部分为界， 利用集成经验模态分解算法进行双向模态 分解得到多个双向模态数据 序列和剩余分量； 利用预先建立的双向预测模型对所述双向模态数据序列和剩余分量进行预测， 得到双 方向上的预测结果； 将所述双方向上的预测结果进行拟合得到修补后的风力发电时序数据； 其中， 所述双向预测模型的建立是以完整风电数据分别进行正向和反向的双向模态分 解， 利用正向模态数据序列和正向剩余分量与反向模态数据序列和反向剩余分量分别训练 得到正向和反向上的双向长短期记 忆网络模型。 2.根据权利要求1所述的方法， 其特 征在于， 所述双向预测模型的建立， 包括： 将获取的完整风力发电时序数据利用集成经验模态分解算法进行正向和反向的双向 模态分解， 得到多个正向模态数据 序列和反向模态数据 序列以及正向和反向的剩余分量； 基于所述正向模态数据序列和正向剩余分量对长短期记忆网络模型进行训练， 确定正 向预测模型； 基于所述反 向模态数据序列和反 向剩余分量对长短期记忆网络模型进行训练， 确定反 向预测模型； 基于所述 正向预测模型和所述反向预测模型构建双向预测模型。 3.根据权利要求2所述的方法， 其特征在于， 所述基于所述正向模态数据序列和正向剩 余分量对长短期记 忆网络模型进行训练， 确定正向预测模型， 包括： 利用滑动窗口法， 基于设定的正向输入步长以各正向模态数据序列或正向剩余分量的 起始处为起点， 以所述正向模态数据序列或正向剩余分量的结束处减去设定输出步长处为 终点进行滑动窗口采样， 得到各正向模态数据序列或正向剩余分量对应的输入数据， 按照 预设输出步长将所述输入数据之后的数据作为输出数据， 得到各正向模态数据序列和正向 剩余分量对应的输出 数据； 基于所有输入数据和输出 数据对长短期记 忆网络模型进行训练， 确定正向预测模型。 4.根据权利要求2所述的方法， 其特征在于， 所述基于所述反 向模态数据序列和反向剩 余分量对长短期记 忆网络模型进行训练， 确定反向预测模型， 包括： 利用滑动窗口法， 基于设定的反 向输入步长以各反 向模态数据序列或反 向剩余分量的 起始处为起点， 以所述反向模态数据序列或反向剩余分量的结束处减去设定反向输出步长 处为终点进行滑动窗口采样， 得到各反向模态数据或反向剩余分量对应的输入数据， 按照 设定输出步长将输入数据之后的数据作为输出数据， ， 得到各反向模态数据序列和反向剩 余分量对应的输出 数据； 基于所有输入数据和输出 数据对长短期记 忆网络模型进行训练， 确定反向预测模型。 5.根据权利要求1或2所述的方法， 其特征在于， 双向模态数据序列和剩余分量的获取， 包括： 对风力发电时序数据进行归一 化处理； 将归一化处理后的数据， 利用集成经验模态分解算法进行模态分解， 得到多个正向模 态数据序列和正向剩余分量；权　利　要　求　书 1/3 页 2 CN 115408923 A 2将所述归一化处理后的数据进行逆序， 并将逆序的数据， 利用集成经验模态分解算法 进行模态分解， 得到多个反向模态数据 序列和反向剩余分量。 6.根据权利要求5所述的方法， 其特 征在于， 所述归一 化处理的计算式如下： 式中， ascale表示归一化处理的结果， ai表示第i个风力发电时序数据的样本点， amin表示 风力发电时序数据的最小值， amax为风力发电时序数据的最大值。 7.根据权利要求5所述的方法， 其特征在于， 所述利用预先建立的双向预测模型对所述 双向模态数据 序列和剩余分量进行 预测， 得到双方向上的预测结果， 包括： 将得到的多个正向模态数据序列和正向剩余分量分别输入所述对应多个正向模态数 据序列和正向剩余分量的多个正向预测模型中， 得到所述对应多个正向模态数据序列和正 向剩余分量的多个正向预测结果； 将所有正向预测结果进行反归一 化处理后叠加平均 作为正向预测的最终结果； 将得到的多个反向模态数据序列和反向剩余分量分别输入所述对应多个反向模态数 据序列和反向剩余分量的多个反向预测模型中， 得到所述对应多个反向模态数据序列和反 向剩余分量的多个反向预测结果； 将所有反 向预测结果逆序排列， 进行反归一化处理后叠加平均后作为反 向预测的最终 结果。 8.根据权利要求7所述的方法， 其特征在于， 所述将所述双方向上的预测结果进行拟合 得到修补后的风力发电时序数据， 包括： 将所述正向预测的结果和反向预测的结果进行加权平均， 得到修补后的风力发电时序 数据； 其中， 加权是通过设定的正向输入步长和设定的反向输入步长的比例确定的。 9.根据权利要求8所述的方法， 其特征在于， 所述将所述正向预测的结果和反向预测的 结果进行加权平均， 得到修补后的风力发电时序数据包括如下计算式： 其中， pred表示修补后的风力发电数据的最终结果， p表示设定的正向输入步长， p ′表 示设定的反向输入步长， predforward表示正向预测的最终结果， predbackward反向预测的最终 结果。 10.一种风力发电数据修补系统， 其特征在于， 包括： 获取数据模块、 分解模态模块、 双 向预测模块和计算 修补模块； 所述获取数据模块， 用于获取风力发电时序数据， 并确定所述风力发电时序数据中缺 失部分； 所述分解模态模块， 用于以所述风力发电时序数据中缺失部分为界， 利用集成经验模 态分解算法进行双向模态分解得到多个双向模态数据 序列和剩余分量； 所述双向预测模块， 用于利用预先建立的双向预测模型对所述双向模态数据序列和剩 余分量进行 预测， 得到双方向上的预测结果； 所述计算修补模块， 用于将所述双方向上的预测结果进行拟合得到修补后的风力发电权　利　要　求　书 2/3 页 3 CN 115408923 A 3