一种基于LSTM-CNN联合模型的风电功率预测方法和系统与流程

本发明涉及风电场风速预测技术领域，更具体地说，涉及一种基于组合预测理论的基于LSTM-CNN联合模型的风电功率预测方法。

背景技术

风能是一种可再生的清洁能源，在当前全球能源危机和环境危机的情况下，风力发电受到普遍重视和推广。

由于风能本身的随机性和不确定性，导致风机无法稳定输出，增大了风电场的控制难度，在大型风电场中处在风场中不同位置的风机所捕获的风各不相同，使用现有调度方案(平均分配法和比例分配法) 会导致性能下降甚至是不稳定，从而需要对每一台风机的功率进行预测。

而当前的多数研究将目光投向具有很强相关性的多台风电机组并利用其中大量可共享的信息来同时进行多位置的风电功率预测。从而，亟需针对多台风电机组之间的时空相关性，以解决风电场中多风电机组功率预测的技术方案。

技术实现要素：

有鉴于此，本发明提供一种基于LSTM-CNN联合模型的风电功率预测方法和系统，以实现解决风电场中多风电机组功率准确预测的技术问题。

一种基于LSTM-CNN联合模型的风电功率预测方法，包括：

将N个风机的功率数据输入到N个LSTM中，达到N个第一时间关联输出值；

对所述N个第一时间关联输出值进行预设处理后输入至二维矩阵中，所述二维矩阵结构与所述风机在风场中所处位置信息匹配；

以CNN模型中提取所述二维矩阵中的空间相关性数据并处理，得到一维模型输出值作为N个风机风电功率预测结果。

优选地，该方法还包括：获取模型的输入数据集：

在对多风电机组进的功率测量数据按照预设时间顺序排列，得到第一数组；

并以滑动窗口预设长度及步长对所述第一数组进行处理，获得N 组输入数据集。

优选地，以CNN模型中提取所述二维矩阵中的空间相关性数据并处理具体实现为：

CNN模型的卷积核捕获二维矩阵中的空间特征；

在多个卷积池化层结构中对所述空间特征进行提取和计算；

在输出层得到一维模型输出值。

优选地，该方法还包括：

利用基于时间的反向传播算法反复训练；

均方误差MSE作为模型训练的损失函数。

优选地，利用基于时间的反向传播算法反复训练具体实现为：

CNN的输出层为开始，通过时间反向传播，穿过整个CNN模型后传入LSTM模型；

贯穿所述LSTM模型至LSTM的输入层。

其中，所述损失函数具体实现为：

式中，L为损失函数，N为样本总数，和Yp分别为预测值和真实值。

优选地，所述CNN模型卷积层的激励函数为ReLu。

一种基于LSTM-CNN联合模型的风电功率预测系统，包括：

时间相关性数据处理模块，将N个风机的功率数据输入到N个 LSTM中，达到N个第一时间关联输出值；

对所述N个第一时间关联输出值进行预设处理后输入至二维矩阵中，所述二维矩阵结构与所述风机在风场中所处位置信息匹配；

空间相关性数据处理模块，以CNN模型中提取所述二维矩阵中的空间相关性数据并处理，得到一维模型输出值作为N个风机风电功率预测结果。

一种存储介质，存储有计算机程序，其特征在于，所述计算机程序实现上述方法。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。

从上述的技术方案可以看出，本发明实施例一种基于LSTM-CNN 联合模型的风电功率预测方法和系统，该方法由长短期记忆网络和卷积神经网络共同构成的联合模型，由统一的损失函数进行端对端的训练。训练后的模型可以从风电机组的历史功率数据中提取到高层次的时空特征，从而达到对处在不同位置的风机功率进行同时预测的目的。基于本研究所做的工作，能够对处在不同风况下的风机功率进行更准确地预测，从而实现更精确的功率调度，最后达到稳定并网的目的。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种基于LSTM-CNN联合模型的风电功率预测方法流程图；

图2a为本发明实施例公开的一种基于LSTM-CNN联合模型的风电功率预测方法中长短期记忆网络逻辑示意图；

图2b为本发明实施例公开的一种基于LSTM-CNN联合模型的风电功率预测方法中获取模型的输入数据集流程图；

图2c为本发明实施例公开的一种基于LSTM-CNN联合模型的风电功率预测方法中LSTM输入数据集的处理示意图；

图3为本发明实施例公开的一种基于LSTM-CNN联合模型的风电功率预测方法中CNN模型对输入数据集的处理过程流程图；

图4为本发明实施例公开的一种基于LSTM-CNN联合模型的风电功率预测方法中LSTM-CNN联合模型示意图；

图5为本发明实施例公开的一种基于LSTM-CNN联合模型的风电功率预测系统结构示意图；

图6为本发明实施例公开的一种基于LSTM-CNN联合模型的风电功率预测系统LSTM-CNN联合模型逻辑示意图；

图7为本发明实施例公开的存储介质结构示意图；

图8为本发明实施例公开的一种计算机设备结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种基于LSTM-CNN联合模型的风电功率预测方法和系统，以实现解决风电场中多风电机组功率准确预测的技术问题。

风机的功率与它所处位置的风况息息相关，而风电场中风的分布因尾流效应、时间延迟和随机风向多种因素而各不相同。因此，各个风机所面临的风在时间上和空间上是相互影响的，在时间上，处在同一空间点的风与其历史状态之间存在一定的相关性，即时间相关性；在空间上，同一时间点处在不同空间位置的风也能够相互影响，即空间相关性。当然，不同时间、不同空间下的风也有可能存在一定的联系，这些因素被统称为时空相关性。受到风的影响，多台风机的功率之间也存在着时空相关性。

近年来深度学习方法发展迅速，是人工智能技术的最新发展成果，在风能预测中也有较多应用。相较于传统的浅层机器学习方法，深度学习在特征提取和模型泛化方面具有更加优秀的表现，卷积神经网络是一种在处理具有图像结构的数据时表现优异的热点技术，在一个风电场中，所有风机的数据可以根据它所处的位置被处理成类似图像的输入。

同时，作为RNN一种变体，长短期记忆网络(LSTM)继承了RNN 在处理时间序列问题时的优异表现，并克服了RNN在面对较长时间序列问题时容易出现的梯度消失和梯度爆炸等问题，能够较好的捕获到每个风机功率序列中的时间依赖性。

图1示出了一种基于LSTM-CNN联合模型的风电功率预测方法，包括：

S11:将N个风机的功率数据输入到N个LSTM中，达到N个第一时间关联输出值；

参考图2a示出了的长短期记忆网络逻辑示意图：

长短期记忆LSTM(long-short term memory)网络是一个三层的模型(包含了输入层，隐藏层和输出层)，只是对隐藏层进行了改进。 LSTM的隐藏层由一个存储单元(cell)和三个计算部件(遗忘门、输入门、输出门)构成。

忘门(表示为ft)的输入由上一时刻的输出ht-1和当前时刻的输入 xt共同构成，遗忘门选择对其值进行丢弃或者保留：

ft＝σg(Wfxt Ufht-1 bf) (1)

输入门(由it和gt共同构成)分别通过sigmoid激活函数和tanh 激活函数对网络的输入信息进行处理，来决定将在cell中存储什么样的信息：

it＝σg(Wixt Uiht-1 bi) (2)

ot＝σg(Woxt Uoht-1 bo) (3)

获得了遗忘门和输入门的信息后，存储单元cell的状态也得到了改变，而输出门则通过cell的当前状态ct和经过处理的输入信息ot来决定模块单元的输出，具体计算如下：

gt＝σc(Wgxt Ught-1 bg) (4)

ct＝ft⊙ct-1 it⊙gt (5)

ht＝ot⊙σc(ct) (6)

其中，xt表示LSTM的输入向量，ht表示LSTM的输出向量，ct表示cell的状态向量，W*和U*是模型的权重，b*是模型的偏置，σg和σc分别表示sigmoid激活函数和tanh激活函数，运算符⊙表示Hadamard 积运算，初始时，c0和h0都为0。

卷积神经网络：是由输入层、输出层和多层隐藏层组成，其中隐藏层一般包括了卷积层、池化层和全连接层，图2展示了一种卷积神经网络的结构，其中，卷积层：在卷积神经网络中，卷积层是核心部分，由多个卷积核组成，卷积核的实质是一个权值矩阵，卷积层通过卷积核扫描上一层的所有特征面来获取输入数据不同的特征，这一操作也被称为卷积运算，每个卷积核做完一次运算后，都会产生一个特征面，通过使用多个卷积核，就得到多层特征。第一层卷积层通过与输入进行卷积运算来获取低级的例如边缘、角落等特征，随着层数的增高，所获取特征的层次也随之增高。卷积操作运算过程可表示为：

其中，表示通过卷积运算得到的第l层的第j个特征图；g为激活函数；M表示输入特征图的集合；Wij是代表卷积核的权值矩阵；符号“*”表示卷积运算；为第l-1层的第i个特征面；bj为偏置矩阵。

池化层：在CNN中，卷积层后通常会紧跟池化层，通过这样的重复结构逐步去得到输入中的高级特征。池化层通过降低特征面的分辨率来减少参数和冗余特征的数量，并在这个过程中保留有用信息。一般的，该过程可以表示如下：

其中f为下采样函数，常用的有最大值池化法和均值池化法，顾名思义，最大值池化是取局部区域中值最大的点，均值池化是求局部区域中值的平均。

全连接层：在多个卷积-池化层结构之后，连接着1个或1个以上的全连接层.与多层感知器(Multi-layer perception，MLP)类似，全连接层中的每个神经元与其前一层的所有神经元进行全连接。全连接层将之前隐藏层所提取的特征进行整合。

LSTM作为时间模型能够有效的提取数据中的时间依赖；能够在多种时间尺度预测上都有优秀的表现；能够通过基于时间的反向传播算法进行训练。而CNN处理二维图像形式输入的能力，能够满足同时进行多台风机功率预测的需求。

参考图2b，示出了获取模型的输入数据集的步骤：

S21:在对多风电机组进的功率测量数据按照预设时间顺序排列，得到第一数组；

假设Xi＝[xi1，xi2，xi3，…，xi(n-1)，xin]是按照时间顺序排列的第i号风机的功率测量数据

S22:并以滑动窗口预设长度及步长对所述第一数组进行处理，获得N组输入数据集。

参照图2c，输入数据集的处理示意图：

取α为滑动窗口的长度，滑动窗口的步长为1，通过滑动窗口在 Xi上滑动来获取维度为1×α的输入数据组成数据集。基于滑动窗口长度α，取Si1＝[xi1，xi2，xi3，…，xiα]作为输入数据集中第一个数据，取 Si2＝[xi2，xi3，xi4，…，xi(α 1)]作为第二个数据，以此类推，能得到n个被处理后的风机功率数据作为输入集。

需要说明的额是，每台风机的Yi＝[xi(α 1)，xi(α 2)，xi(α 3)，……，xin]并将其每个时刻的值合并得到一维数组Yp＝[x1(α 1)，x2(α 1)，x3(α 1)，…，xn(α 1)]作为用来验证模型输出的真实值。

S12：第一时间关联输出值进行预设处理后输入至二维矩阵中，所述二维矩阵结构与所述风机在风场中所处位置信息匹配；

具体地，经过处理的n个风机的一维功率数据分别被输入到n个单独的LSTM模型中，每个LSTM模型设置为β层，每个LSTM模型都会输出一个值，经过整合和处理，将这n个输出值进行合并处理，根据风机的空间分布，将对应的输出值放入了一个二维矩阵Wp中，使其在矩阵中的位置与在风电场中所处的位置相对应。

S13：以CNN模型中提取所述二维矩阵中的空间相关性数据并处理，得到一维模型输出值作为N个风机风电功率预测结果。

参照图3，示出了CNN模型对输入数据集的处理过程，包括：

S31：CNN模型的卷积核捕获二维矩阵中的空间特征；

使用CNN来提取储存在矩阵Wp中的空间相关性。从CNN的输入层开始，矩阵Wp中的空间特征会被卷积核捕获，从而得到新的特征图

S32：在多个卷积池化层结构中对所述空间特征进行提取和计算；

经多个卷积-池化层结构，CNN将逐渐提取空间功率矩阵中的空间信息

S33:在输出层得到一维模型输出值。

在输出层输出一维向量作为模型的实际输出。

需要说明的是，本发明中，所述CNN模型卷积层的激励函数为 ReLu，ReLu是一种不饱和非线性函数，能够加快训练时的收敛速度，也能解决梯度爆炸/梯度消失的问题，能够显著提升CNN的性能。

在本实施例中，首先提取输入数据集中的时间特征，将得到的时间特征根据各个风机在空间中的分布处理成二维图像形式后，再在第二阶段中提取存在的空间相关性，进而实现基于时空相关性的功率预测。

在本实施例中，利用基于时间的反向传播算法反复训练，形成优化后模型，图4示出了，利用基于时间的反向传播算法反复训练的示意图：

S41:CNN的输出层为开始，通过时间反向传播，穿过整个CNN模型后传入LSTM模型；

S42:贯穿所述LSTM模型至LSTM的输入层。

模型的参数根据误差差值进行迭代更新，最终学习到最优值。在此过程中，整个模型的参数都通过基于梯度的训练方法进行有监督学习，并整合所学到的时间信息和空间信息，最终达到利用时空相关性进行功率预测的目的。

均方误差MSE作为模型训练的损失函数。

选用均方误差(mean squared error，MSE)作为模型训练的损失函数，其定义如下：

式中，L为损失函数，N为样本总数，和Yp分别为预测值和真实值。

图5示出了一种基于LSTM-CNN联合模型的风电功率预测系统，包括：

时间相关性数据处理模块51，将N个风机的功率数据输入到N 个LSTM中，达到N个第一时间关联输出值；

对所述N个第一时间关联输出值进行预设处理后输入至二维矩阵中，所述二维矩阵结构与所述风机在风场中所处位置信息匹配；

空间相关性数据处理模块52，以CNN模型中提取所述二维矩阵中的空间相关性数据并处理，得到一维模型输出值作为N个风机风电功率预测结果。

更为具体地，参照图6所示LSTM-CNN联合模型逻辑示意图，但并不局限于该种逻辑结构：

LSTM阶段：LSTM提取数据中的时间相关性。具体地，经过处理的n个风机的一维功率数据分别被输入到n个单独的LSTM模型中，每个LSTM模型设置为β层，每个LSTM模型都会输出一个值，经过整合和处理，将这n个输出值进行合并处理，根据风机的空间分布，将对应的输出值放入了一个二维矩阵Wp中，使其在矩阵中的位置与在风电场中所处的位置相对应。

CNN阶段：将使用CNN来提取储存在矩阵Wp中的空间相关性。从 CNN的输入层开始，矩阵Wp中的空间特征会被卷积核捕获，从而得到新的特征图，历经多个卷积-池化层结构，CNN将逐渐提取空间功率矩阵中的空间信息，在输出层输出一维向量作为模型的实际输出。

图7示出了一种存储介质，存储有计算机程序，其特征在于，所述计算机程序实现图1-4所示方法。

图8一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现图1-4所示方法。

本发明的有益效果是：

1)针对相关性较强的多台风电机组功率预测问题，因其多个预测任务之间存在的大量可共享的有价值信息，遵循多任务学习 (multi-task learning，MTL)的信息共享机制，本发明实施例提出多个风机同时进行功率预测的新问题，并将其描述成一个时空序列预测任务，利用时空相关性来解决，具有方案的先进性。

2)首次将LSTM和CNN的联合模型用于多台风机的功率预测，在模型的底部，由LSTM提取各个风机功率历史数据中的时间依赖，并将所提取的时间特征处理成图像的形式。在此基础上，由CNN来提取处在不同位置的风机间的空间相关性，通过这种方式，联合模型中风电场中的风和具有时空性的风动力学之间的相互作用，从而提高了为风电机组的功率预测准确性。

综上所述：

本发明实施例一种基于LSTM-CNN联合模型的风电功率预测方法和系统，本发明实施例一种基于LSTM-CNN联合模型的风电功率预测方法和系统，该方法由长短期记忆网络和卷积神经网络共同构成的联合模型，由统一的损失函数进行端对端的训练。训练后的模型可以从风电机组的历史功率数据中提取到高层次的时空特征，从而达到对处在不同位置的风机功率进行同时预测的目的。基于本研究所做的工作，能够对处在不同风况下的风机功率进行更准确地预测，从而实现更精确的功率调度，最后达到稳定并网的目的。

需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本领域技术人员可以理解，可以使用许多不同的工艺和技术中的任意一种来表示信息、消息和信号。例如，上述说明中提到过的消息、信息都可以表示为电压、电流、电磁波、磁场或磁性粒子、光场或以上任意组合。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程 ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明实施例的精神或范围的情况下，在其它实施例中实现。因此，本发明实施例将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。