(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 202111422863.4 (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　张晓辉　王青天　 张燧　黄思皖　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　兰连军　 薛文超　张伟　 (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. G06K 9/62(2022.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) (54)发明名称 一种CNN+BiLSTM+Attention风电超短期功 率预测方法及系统 (57)摘要 本发明涉及一种CNN+BiLSTM+Attention风 电超短期功率预测方法及系统， 所述方法包括： 采集风力发电设备对应的预测时段的气象要素 数据， 并对所述数据进行处理； 将所述处理后的 数据输入预先训练好的风电超短期功率预测模 型中， 得到所述风力发电设备预测时段对应的超 短期功率数据。 本发明提供的技术方案， 可以准 确地预测风力发电设备的超短期功率， 进而保障 了供电系统的稳定运行， 降低了新能源发电功率 预测的误差现象。 权利要求书2页 说明书7页 附图2页 CN 114330493 A 2022.04.12 CN 114330493 A 1.一种CN N+BiLSTM+Attention风电超短期功率预测方法， 其特 征在于， 所述方法包括： 采集风力发电设备对应的预测时段的气象要素 数据， 并对所述数据进行处 理； 将所述处理后的数据输入预先训练好的风电超短期功率预测模型中， 得到所述风力发 电设备预测时段对应的超短期功率数据； 其中， 所述预先训练好的风电超短期功率预测模型是基于处理后的历史时段内所述风 力发电设备对应的气象要素 数据进行训练得到的； 所述预先训练好的风电超短期功率预测模型包括： 卷积神经网络CNN层、 BiLSTM层、 Attention层、 全连接层和输出层。 2.如权利要求1所述的方法， 其特 征在于， 所述对所述数据进行处 理， 包括： 步骤F1:对 采集的风力发电设备对应的预测时段的气象要素 数据进行缓存读写操作； 步骤F2:将所述读写后的数据进行解析、 数据清洗和格式转 化； 步骤F3:将步骤F2得到的数据进行归一化， 得到处理后的风力发电设备对应的预测时 段的气象要素 数据。 3.如权利要求1所述的方法， 其特征在于， 所述将所述处理后的数据输入预先训练好的 风电超短期功率预测模型中， 得到所述风力发电设备预测时段对应的超短期功率数据， 包 括： 将处理后的数据输入预先训练好的风电超短期功率预测模型的卷积神经网络层CNN 中， 将所述数据进 行卷积运算， 然后将所得结果进 行合并操作， 并对合并后的结果进 行池化 操作， 提取 得到所述数据对应的时空特 征文本； 将所述数据对应的时空特征文本输入预先训练好的发风电超短期功率预测模型的 BiLSTM层中， 提取 出所述时空特 征文本的特 征向量信息； 将所述提取出的特征向量信息输入预先训练好的发风电超短期功率预测模型的 Attention层中， 得到分配了不同权 重后的特 征向量文本信息； 将所述分配了不同权重后的特征向量文本信息输入预先训练好的发风电超短期功率 预测模型的全连接层中对输入的特征向量文本信息进 行整合， 得到整合后的所述特征向量 文本信息； 将所述整合后的所述特征向量文本信息输入预先训练好的发风电超短期功率预测模 型的输出层中， 得到归一 化后的所述 风力发电设备 预测时段对应的超短期功率数据； 将所述归一化后的所述风力发电设备预测时段对应的超短期功率数据反归一化， 得到 所述风力发电设备 预测时段对应的超短期功率数据。 4.如权利要求1所述的方法， 其特征在于， 所述预先训练好的风电超短期功率预测模型 的训练过程包括： 获取处理后的历史时段内所述 风力发电设备对应的气象要素 数据； 将所述气象要素数据输入初始风电超短期功率预测模型的卷积神经网络CNN层、 BiLSTM层、 Attention层、 全连接层和输出层， 将均方差损失MSE作为模型的损失函数， 利用 自适应矩阵估计Adam优化算法对 所述模型进 行训练， 得到训练好的风电超短期功 率预测模 型。 5.如权利要求1所述的方法， 其特征在于， 得到所述风力发电设备预测时段对应的超短 期功率数据后还 包括：权　利　要　求　书 1/2 页 2 CN 114330493 A 2将所述风力发电设备 预测时段对应的超短期功率数据进行信息触达； 其中， 所述信息触达的方式包括： 文本展示、 语音播报、 外呼终端、 短信送达、 邮件触达、 智能音箱、 语音唤醒和大屏展示。 6.一种CN N+BiLSTM+Attention风电超短期功率预测系统， 其特 征在于， 所述系统包括： 采集模块， 用于采集风力发电设备对应的预测时段的气象要素数据， 并对所述数据进 行处理； 预测模块， 用于将所述处理后的数据输入预先训练好的风电超短期功率预测模型中， 得到所述 风力发电设备 预测时段对应的超短期功率数据； 其中， 所述预先训练好的风电超短期功率预测模型是基于处理后的历史时段内所述风 力发电设备对应的气象要素 数据进行训练得到的； 所述预先训练好的风电超短期功率预测模型包括： 卷积神经网络CNN层、 BiLSTM层、 Attention层、 全连接层和输出层。 7.如权利要求6所述的系统， 其特 征在于， 所述对所述数据进行处 理， 包括： 步骤E1:对 采集的风力发电设备对应的预测时段的气象要素 数据进行缓存读写操作； 步骤E2:将所述读写后的数据进行解析、 数据清洗和格式转 化； 步骤E3:将步骤E2得到的数据进行归一化， 得到处理后的风力发电设备对应的预测时 段的气象要素 数据。 8.如权利要求6所述的系统， 其特 征在于， 所述预测模块， 包括： 第一提取单元， 用于将处理后的数据输入预先训练好的风电超短期功率预测模型的卷 积神经网络层CNN中， 将所述数据进行卷积运算， 然后将所得结果进行合并操作， 并对合并 后的结果进行池化操作， 提取 得到所述数据对应的时空特 征文本； 第二提取单元， 用于将所述数据对应的时空特征文本输入预先训练好的发风电超短期 功率预测模型的Bi LSTM层中， 提取 出所述时空特 征文本的特 征向量信息； 分配单元， 用于将所述提取出的特征向量信 息输入预先训练好的发风电超短期功率预 测模型的A ttention层中， 得到分配了不同权 重后的特 征向量文本信息； 整合单元， 用于将所述分配了不同权重后的特征向量文本信 息输入预先训练好的发风 电超短期功 率预测模型的全连接层中对输入的特征向量文本信息进行整合， 得到整合后的 所述特征向量文本信息； 输出单元， 用于将所述整合后的所述特征向量文本信 息输入预先训练好的发风电超短 期功率预测模型的输出层中， 得到归一化后的所述风力发电设备预测时段对应的超短期功 率数据； 反归一化单元， 用于将所述归一化后的所述风力发电设备预测时段对应的超短期功率 数据反归一 化， 得到所述 风力发电设备 预测时段对应的超短期功率数据。 9.一种电子设备， 其特征在于， 包括： 存储器、 处理器及存储在存储器上并可在处理器 上运行的计算机程序， 所述处理器执行所述程序时， 实现如权利要求1至5中任一项所述的 方法。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器 执行时实现如权利要求1至 5中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114330493 A 3