(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 202111421723.5 (22)申请日 2021.11.26 (71)申请人 中国华能集团清洁能源技 术研究院 有限公司 地址 102209 北京市昌平区北七家镇未来 科技城南区华能人才创新创业基地实 验楼A楼 (72)发明人 曾谁飞　王振荣　周军军　张燧　 黄思皖　王青天　刘旭亮　李小翔　 冯帆　邸智　韦玮　童彤　任鑫　 杜静宇　赵鹏程　武青　祝金涛　 朱俊杰　吴昊　吕亮　苏人奇　 忻一豪　张万雄　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 代理人 黄垚琳(51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 113/06(2020.01) G06F 119/06(2020.01) (54)发明名称 一种异构数据与深度学习的风电集群功率 预测方法及设备 (57)摘要 本发明提出一种异构数据与深度学习的风 电集群功率预测方法及设备， 该方法通过构建风 电集群功率预测网络模型， 通过特征提取网络对 异构数据进行特征提取， 将提取的特征基于注意 力机制进行关键信息预测后， 采用多模态融合策 略融合生 成多模态融合特征， 根据生成的多模态 融合特征进行风电集群功率预测。 通过本发明， 能够提高预测风电集群功率的精 准性和稳定性， 有利于电网系统运行调度及系统优化工作。 权利要求书2页 说明书7页 附图2页 CN 114330097 A 2022.04.12 CN 114330097 A 1.一种异构数据与深度学习的风电集群功率预测方法， 其特 征在于， 包括： 获取风电集群历史异构数据并进行数据预处理， 将预处理后的风电集群异构历史数据 作为训练集； 构建风电集群功率预测网络模型， 并通过所述训练集对构建的所述风电集群功率预测 网络模型进 行训练； 其中， 所述风电集群功率预测网络模型包括依序连接的特征提取模块、 关键信息预测模块、 特 征融合模块和结果预测模块； 将实时的风电集群异构数据预处理后输入训练完成的所述风电集群功率预测网络模 型中， 输出 结果作为 风电集群功率预测结果。 2.根据权利要求1所述的异构数据与深度学习的风电集群功率预测方法， 其特征在于， 获取风电集群历史异构数据并进行 数据预处 理的步骤中， 包括 步骤： 数据格式解析： 对不同数据格式的风电集群历史异构数据进行数据格式解析和标量纲 处理， 转换为统一格式； 其中， 所述风电集群历史异构数据是从SCADA系统提取的实时风电 集群功率数据、 历史风电集群功率数据、 N WP数据及对应的地理数据； 归一化处理， 依据公式(1)对风电集群历史异构数据进行归一 化； 其中， w’归一化后的值， w代 表样本真值， wmin和wmax代表所选所在的最小值和最大值。 3.根据权利要求2所述的异构数据与深度学习的风电集群功率预测方法， 其特征在于， 所述风电集群功率预测网络模型包括特征提取模块、 关键信息预测模块、 特征融合模块和 结果预测模块； 其中， 所述特征提取模块， 为特征提取神经网络， 用于对数据预处理后的风电集群历史异构 数据进行 特征提取； 所述关键信 息预测模块， 用于得到风电集群历史异构数据 各自特征内部交互特征及数 据间的关联性特 征； 所述特征融合模块， 用于对风电集群历史异构数据的特征进行特征融合拼接， 得到多 模态特征融合信息； 所述结果预测模块， 用于根据所述特征融合信息计算预测结果， 完成风电集群功率预 测。 4.根据权利要求3所述的异构数据与深度学习的风电集群功率预测方法， 其特征在于， 所述特征提取神经网络为CNN+BiLSTM结合神经网络； 借助CNN擅长获得时空数据特征及结 合BiLSTM对时序数据获得 前后向序列， 从而完成异构数据的特 征提取。 5.根据权利要求3所述的异构数据与深度学习的风电集群功率预测方法， 其特征在于， 所述关键信息预测模块利用注意力机制， 得到风电集群历史异构数据各自特征内部交互特 征及数据间的关联性特征； 所述特征融合模块通过合并所述风电集群历史异构数据 的特 征， 得到含有上 下文的时空 互补性及关联性特点的多模态融合特 征。 6.根据权利要求4所述的异构数据与深度学习的风电集群功率预测方法， 其特征在于， 通过所述训练集对构建的所述 风电集群功率预测网络模型进行训练的步骤 包括： 将预处理后的训练集数据输入特征提取模块的特征提取神经网络， 借助CNN擅长获得 时空数据特 征及结合Bi LSTM对时序数据获得 前后向序列， 从而完成异构数据的特 征提取；权　利　要　求　书 1/2 页 2 CN 114330097 A 2利用注意力得到异构数据各自特征内部交互特征及数据间的关联性特征， 输入关键信 息预测模块的全连接层， 得到预测关键特 征； 将预测关键特征进行合并操作， 得到含有上下文时空互补性和关联性特点的融合特 征， 输入功率预测模块， 计算预测结果， 与实际风电集群功率结果进行对比， 以均方误差作 为损失函数， 网络训练优化采用Adam算法， 通过不断调整网络函数和参数， 直至预测结果与 标记的功率结果 一致时， 完成网络训练。 7.根据权利要求1所述的异构数据与深度学习的风电集群功率预测方法， 其特征在于， 在获取风电集群功率预测结果之后， 还包括将预测结果进行展示的步骤； 展示方式至少包 括： 文本显示、 语音播报、 外呼终端、 邮件、 短信提醒、 智能音箱。 8.一种异构数据与深度学习的风电集群功率预测装置， 其特 征在于， 包括： 数据获取模块， 用于获取风电集群历史异构数据并进行数据预处理， 将预处理后的风 电集群异构 历史数据作为训练集； 模型构建模块， 用于构建风电集群功率预测网络模型， 并通过所述训练集对构建的所 述风电集群功率预测网络模型进行训练； 其中， 所述风电集群功率预测网络模型包括依序 连接的特 征提取模块、 关键信息预测模块、 特 征融合模块和结果预测模块； 功率预测模块， 用于将 实时的风电集群异构数据 预处理后输入训练完成的所述风电集 群功率预测网络模型中， 输出 结果作为 风电集群功率预测结果。 9.一种计算机设备， 其特征在于， 包括存储器、 处理器及存储在所述存储器上并可在所 述处理器上运行的计算机程序， 所述处理器执行所述计算机程序时， 实现如权利要求 1‑7中 任一所述的方法。 10.一种非临时性计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计 算机程序被处 理器执行时实现如权利要求1 ‑7中任一所述的方法。权　利　要　求　书 2/2 页 3 CN 114330097 A 3