[发明专利]一种基于轻量级自编码网络的短期风功率预测方法

权利要求书

1.一种基于轻量级自编码网络的短期风功率预测方法，其特征在于，包括：

S1：对数值天气预报中的时序数据进行拼接，形成多维风功率时序数据；

S2：将所述多维风功率时序数据输入到第一轻量级自编码网络进行训练，对所述多维风功率时序数据中互相耦合的非线性特征进行提取，并通过注意力机制对所述非线性特征进行筛选与强化，最终输出风功率预测数据；

S3：将所述多维风功率时序数据对应的风功率数据与所述风功率预测数据进行损失计算；

S4：重复S1至S3，直至迭代次数达到预设最大值或所述损失低于预设阈值，则完成对所述第一轻量级自编码网络的训练，得到第二轻量级自编码网络；

S5：向所述第二轻量级自编码网络输入未来时间内的数值天气预报，所述第二轻量级自编码网络输出短期风功率预测数据。

2.如权利要求1所述的预测方法，其特征在于，所述步骤S1中，所述多维风功率时序数据包括风速、湿度、温度、风向和气压的时序数据，所述多维风功率时序数据的尺寸为N×L，分辨率为15分钟；其中,L表示时间步长，N表示多维风功率时序数据中数据的种类数量。

3.如权利要求2所述的预测方法，其特征在于，所述第一轻量级自编码网络包括编码器和解码器，所述编码器包括3个级联的深度可分离卷积层和2个全连接层，所述解码器包括1个全连接层和3个深度可分离卷积层，所述编码器和所述解码器的卷积结构对称。

4.如权利要求3所述的预测方法，其特征在于，所述深度可分离卷积层的卷积操作为一维深度可分离卷积，所述一维深度可分离卷积包括深度卷积和点卷积；所述一维深度可分离卷积的参数量和计算量分别为L_k×M+1×M×N和L_k×M×L_F+M×N×L_F；其中，L_F表示输入映射长度，L_k表示卷积核尺寸，M表示输入映射通道数，N表示卷积核数量。

5.如权利要求4所述的预测方法，其特征在于，所述风功率预测数据为一维向量，其尺寸为1×L，所述步骤S3中，所述损失计算采用的损失函数为均方损失MSE，所述均方损失MSE表示为：

其中，y_t表示所述多维风功率时序数据对应的风功率数据，表示所述风功率预测数据。

6.如权利要求5所述的预测方法，其特征在于，所述步骤S4中，重复S1至S3，直至迭代次数达到预设最大值或所述均方损失MSE低于预设阈值，则所述第一轻量级自编码网络训练结束。