(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 202110582409.9 (22)申请日 2021.05.27 (71)申请人 华北电力大 学 （保定） 地址 071003 河北省保定市莲池区永华北 大街619号 (72)发明人 朱霄珣　刘瑞璋　王瑜　高晓霞　 (51)Int.Cl. G06F 30/27(2020.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/08(2006.01) G06N 20/00(2019.01) G06F 113/06(2020.01) G06F 119/06(2020.01) (54)发明名称 基于行为特征深度学习的风电场发电功率 预测方法及系统 (57)摘要 本发明公开了基于行为特征深度学习的风 功率预测方法和系统， 应用于机器学习、 新能源 技术领域， 包括以下步骤： 获取数据步骤、 数据预 处理步骤、 矩阵构建步骤、 数据划分步骤、 梯度提 取步骤、 3D ‑CNN网络训练步骤、 训练结束判定步 骤、 风电场发电功率预测步骤。 本发明相对于分 阶段提取风电场发电功率数据的时空特征方案， 本方法能对发电功率的时空特征进行整体提取， 保证了特征的整体性， 同时有利于算法的反向传 播和反向优化； 针对实际风电场建立风功率预测 模型， 并按照中短期预测的要求， 实现对风电场 输出功率的预测， 预测准确率高， 平均相对误差 和均方根 误差低。 权利要求书2页 说明书7页 附图4页 CN 115408921 A 2022.11.29 CN 115408921 A 1.基于行为特 征深度学习的风电场发电功率预测方法， 其特 征在于， 包括以下步骤： 获取数据步骤： 获取风电场时序数据和风机地理位置； 数据预处 理步骤： 对于功率负值与缺少值置零、 超出额定功率 值按额定功率； 矩阵构建步骤： 将风电场时序数据根据风机地理位置组成风电功率行为矩阵序列； 数据划分步骤： 将风电功率行为矩阵序列划分为拟训练数据集和 测试数据集； 梯度提取步骤： 提取拟训练数据集的矩阵梯度， 得到x、 y、 xx、 xy、 yx、 yy六个方向的梯度 矩阵； 3D‑CNN网络训练步骤： 输入梯度提取步骤 的梯度矩阵， 输出样本矩阵序列的各机位点 发电功率的预测值， 根据输出 的预测值和实际值通过损失函数进行误差分析， 更改模型各 个权重值； 训练结束判定步骤： 判断误差分析是否达到预设的阈值， 若为否， 则返回拟训练数据选 取步骤； 若为是， 则结束3D ‑CNN网络训练步骤， 输出基于行为特征深度学习发电功 率预测模 型； 风电场发电功率预测步骤： 输入待测试矩阵序列， 输出待预测矩阵序列的各机位点发 电功率的预测值。 2.根据权利要求1所述的基于行为特征深度学习的风电场发电功率预测方法， 其特征 在于， 数据预处 理步骤之前还 包括： 根据风速功率曲线剔除异常数据。 3.根据权利要求1所述的基于行为特征深度学习的风电场发电功率预测方法， 其特征 在于， 矩阵构建步骤中， 前80％为训练集， 后20％为测试集。 4.根据权利要求1所述的基于行为特征深度学习的风电场发电功率预测方法， 其特征 在于， 梯度提取步骤具体为： 对样本矩阵序列连续取x、 y、 xx、 xy、 yx、 yy方向的方向梯度， 首 先， 选取Prewitt算子作为梯度提取工具， 将水平Prewitt算子和垂直Prewitt算子分别与矩 阵序列进行卷积得到x、 y两个方向的一阶梯度图像， 再将水平和垂 直Prewitt算子分别与x、 y方向的一阶梯度图像卷积得到x x、 xy、 yx、 y y四个方向的二阶梯度图像。 5.根据权利要求1所述的基于行为特征深度学习的风电场发电功率预测方法， 其特征 在于， 3D‑CNN网络训练步骤中的3D ‑CNN网络： 第一层为卷积层C1、 第二层为池化层P2、 第三层 为卷积层C 3和第四层为全连接层F4。 6.根据权利要求1所述的基于行为特征深度学习的风电场发电功率预测方法， 其特征 在于， 获取数据步骤中的风电场时序数据为 风电场历史风功率数据。 7.基于行为特 征深度学习的风电场发电功率预测系统， 其特 征在于， 包括： 数据获取模块、 数据预处理模块、 矩阵构 建模块、 数据划分模块、 梯度提取模块、 3D ‑CNN 网络训练模块、 基于行为特 征深度学习发电功率预测模型和风功率预测值输出模块； 数据获取模块， 与数据预处理模块的输入端连接， 用于获取风电场 时序数据和风机地 理位置， 并发送至数据预处 理模块；权　利　要　求　书 1/2 页 2 CN 115408921 A 2数据预处理模块， 与矩阵构建模块的输入端连接， 用于对接收到的风电场 时序数据进 行预处理， 并将处理后的数据发送至矩阵构建模块， 预 处理过程包括： 根据风速功 率曲线剔 除异常数据、 对于负值与缺少值置零、 超出额定功率 值按额定功率； 矩阵构建模块， 与数据划分模块的输入端连接， 用于将风电场 时序数据根据风机地理 位置组成风电功率行为矩阵序列， 并将该矩阵序列发送至数据划分模块； 数据划分模块， 用于将接收到的矩阵序列划分为： 测试 数据集和拟训练数据集； 梯度提取模块， 与数据划分模块的第 一输出端连接， 用于接收拟训练数据集， 并对提取 该拟训练数据集矩阵梯度， 得到x、 y、 x x、 xy、 yx、 y y六个方向的梯度矩阵； 3D‑CNN网络训练模块， 与梯度提取模块的输出端连接， 用于将输入的梯度矩阵， 根据最 小均方根误差损失函数自动寻找最优参数θ， 输出样本矩阵序列的各机位点发电功率的预 测值； 当误差分析达到预设 的阈值则 结束3D‑CNN网络训练， 输出基于行为特征深度学习发 电功率预测模型； 基于行为特征深度学习发电功率预测模块的第一输入端与3D ‑CNN网络训练模块的输 出端连接， 接收3D ‑CNN网络训练模块输出的基于行为特征深度学习发电功率预测模型， 基 于行为特征深度学习发电功 率预测模块的第二输入端与数据划分模块的第二输出端连接， 接收测试数据集， 用于将测试数据集输入基于行为特征深度学习发电功率预测模型， 得到 风功率预测值； 风功率预测值输出模块， 与基于行为特征深度学习发电功率预测模块的输出端连接， 用于输出风功率预测值。 8.根据权利要求7所述的基于行为特征深度学习的风电场发电功率预测系统， 其特征 在于， 数据划分模块中， 数据的前80％为测试 数据集， 后20％为拟训练数据集。权　利　要　求　书 2/2 页 3 CN 115408921 A 3