(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 202111540671.3 (22)申请日 2021.12.16 (71)申请人 国网浙江省电力有限公司绍兴供电 公司 地址 312099 浙江省绍兴 市胜利东路58号 (72)发明人 陈水耀　陈文进　祁炜雯　张俊　 朱峰　张锋明　罗刚　范强　 张童彦　唐飞　 (74)专利代理 机构 杭州华鼎知识产权代理事务 所(普通合伙) 33217 专利代理师 任翠月 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) H02J 3/00(2006.01)G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于AFSA-GN N的风电功率预测方法 (57)摘要 本申请实施例提出了基于AFSA ‑GNN的风电 功率预测方法， 包括将得到的风电数据进行清 洗， 进行归 一化处理； 搭建RNN模型， 确定RNN模型 的隐含层节点个数； 基于得到的RNN模型进行回 归运算得到预测功率， 结合预测功率与实测功率 的均方根误差最小构建目标函数； 初始化AFSA算 法的各项参数， 利用AFSA算法步骤对RNN模型的 权值进行优化； 向优化后的RNN模型中输入处理 后的风电数据进行风电功率预测， 得到风电输出 功率预测值。 通过利用人工鱼群算法的出色寻优 能力， 以RMSE最小为目标函数， 快速实现对脊波 神经网络连接权重的寻优， 利用脊波神经网络对 高维数据的快速逼近能力， 从而建立风电的输出 功率预测模型， 能有效提高预测精度。 权利要求书2页 说明书6页 附图2页 CN 114444763 A 2022.05.06 CN 114444763 A 1.基于AFSA ‑GNN的风电功率预测方法， 其特 征在于， 所述方法包括： S1， 将得到的风电数据进行清洗， 进行归一 化处理； S2， 搭建RN N模型， 确定RN N模型的隐含层节点个数； S3， 基于得到的RNN模型进行回归运算得到预测功率， 结合预测功率与实测功率的均方 根误差最小构建目标函数； S4， 初始化AFSA算法的各项参数， 利用AFSA算法步骤 对RNN模型的权值进行优化； S5， 向优化后的RNN模型中输入经步骤S1处理后的风电数据进行风电功率预测， 得到风 电输出功率预测值。 2.根据权利要求1所述的基于AFSA ‑GNN的风电功率预测方法， 其特征在于， 所述S1包 括： S11， 采用3σ 原则对数据进行清洗， 将其中的风向数据转换为对应的正弦值和余弦值； S12， 对除风向数据外的剩余数据进行归一 化处理。 3.根据权利要求1所述的基于AFSA ‑GNN的风电功率预测方法， 其特征在于， 所述S1还包 括： 风电输出功率与数值天气预报数据大致服从于正态分布， 由正态分布的定义可知， 数 值分布在( μ ‑3σ, μ+3σ )外的概 率为P(|X‑μ|＞3σ )＜＝0.0 03； 将数据与数值期望超过3倍标准差的数据视为异常值进行剔除。 4.根据权利要求1所述的基于AFSA ‑GNN的风电功率预测方法， 其特征在于， 所述S2包 括： S21， 设平滑函数ψ: Rd→R对应的Fourier变换 满足容许条件 d为空间 的维数， 则称 ψ为 容许函数， 其产生的脊 函数为脊波如公式一所示， 其中， γ＝(a,u,b)表示参数空间， a表示脊波尺度， u表示脊波方向， b表示脊波位置， a, b∈R， a＞0， u ∈Sd‑1， Sd‑1表示d‑1维空间， | |u||＝1； S22， 将脊波函数作为神经网络隐含层的激励函数搭建RNN模型， 通过公式二确定隐含 层节点数s， 其中， m和n分别表示神经网络的输入层节点数和输出层节点数， a为0～10之间的常数。 5.根据权利要求1所述的基于AFSA ‑GNN的风电功率预测方法， 其特征在于， 所述S3包 括： S31， 利用清洗后的风电输出功率与数值天气预报数据对RNN进行训练， 将数值天气预 报数据作为特征指标， 风电输出功 率作为输出指标； 设立 RNN隐含层节 点数、 迭代次数、 误差 阈值等指标， 利用AFSA算法优化RNN的权重， 得到预测模型； 此后可利用未来时间的数值天 气预报实现对未来 风电输出功率的精确预测； S32， 基于预测功率与实测功率得到均方根 误差， 构建如公式三所示的目标函数权　利　要　求　书 1/2 页 2 CN 114444763 A 2其中， PMi为i时刻的实测功率， PPi为i时刻的预测功率， m为预测样本的数量。 6.根据权利要求1所述的基于AFSA ‑GNN的风电功率预测方法， 其特征在于， 所述S4包 括： S41， 将误差函数RMSE作为食物浓度， 对RN N网络的权值进行 更新优化； S41， 当RMSE满足精度要求后， AFSA算法便退出迭代， 得到满足精度要求的RNN网络权 值， 得到训练的预测模型。 7.根据权利要求1所述的基于AFSA ‑GNN的风电功率预测方法， 其特征在于， 所述S5包 括： S51， 当获取未来时间的数值天气预报数据后， 带入预测模型， 得到预测的未来风电输 出功率。权　利　要　求　书 2/2 页 3 CN 114444763 A 3