(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 202110149112.3 (22)申请日 2021.02.0 3 (71)申请人 国网浙江省电力有限公司宁波供电 公司 地址 315012 浙江省宁波市海曙区丽园北 路1408号 申请人 北京隐山科技有限公司 (72)发明人 翁格平　裴传逊　任娇蓉　叶晨　 江昊　许家玉　崔勤越　卿华　 刘媛　高恬　 (74)专利代理 机构 北京安博达知识产权代理有 限公司 1 1271 专利代理师 徐国文 (51)Int.Cl. G06F 30/27(2020.01)G06F 113/06(2020.01) G06F 119/06(2020.01) (54)发明名称 一种风电出力预测方法和系统 (57)摘要 本发明提供了一种风电出力预测方法和系 统， 包括： 采集当前时段的风电负荷数据； 将所述 当前时段的风电负荷数据输入到预先建立的短 期风电预测模 型中， 输出下一时段的风电负荷功 率； 根据所述下一时段的风电负荷功率确定下一 时段的风电出力情况； 其中， 所述短期风电预测 模型利用 BiLSTM预测网络对历史风电负荷数据 和所述历史风电负荷数据对应的下一时段的负 荷功率进行训练建立的； 本发明提供了一个短期 风电预测模 型来对风电出力进行预测， 改善了传 统方法的不足， 提高了风电出力预测的效率。 权利要求书2页 说明书8页 附图7页 CN 114861513 A 2022.08.05 CN 114861513 A 1.一种风电出力预测方法， 其特 征在于， 包括： 采集当前时段的风电负荷数据； 将所述当前时段的风电负荷数据输入到预先建立的短期风电预测模型中， 输出下一 时 段的风电负荷功率； 根据所述下一时段的风电负荷功率确定下一时段的风电出力情况； 其中， 所述短期风电预测模型利用BiLSTM预测网络对历史风电负荷数据和所述历史风 电负荷数据对应的下一时段的负荷功率进行训练建立的。 2.根据权利要求1所述的方法， 其特 征在于， 所述短期风电预测模型的建立， 包括： 将历史时段的历史风电负荷数据作为输入函数， 将所述历史时段的历史风电负荷数据 对应下一时段的负荷功率作为输出函数； 基于所述输入函数和所述输出函数作为训练集在BiLSTM预测网络中进行训练， 得到所 述短期风电预测模型。 3.根据权利要求2所述的方法， 其特 征在于， 所述短期风电预测模型的建立， 还 包括： 将另外一个历史时段的历史风电负荷数据和历史时段的历史风电负荷数据对应的下 一时段的负荷功率作为验证集； 将验证集中的历史风电负荷数据输入所述短期风电预测模型中， 得到下一 时段负荷功 率的预测值。 4.根据权利要求1所述的方法， 其特征在于， 风电负荷数据， 包括： 风电的电压和电流数 据。 5.根据权利要求3所述的方法， 其特征在于， 所述短期风电预测模型的建立之后， 还包 括： 根据所述预测值和所述验证集中对应的负荷功率对所述短期风电预测模型进行评价。 6.根据权利要求5所述的方法， 其特征在于， 所述根据所述预测值和所述验证集中对应 的负荷功率对所述短期风电预测模型进行评价， 包括： 根据所述预测值和验证集中对应的负荷功率， 进行均 方根误差、 平均绝对误差、 归一化 均方根误差和归一 化平均绝对百分比误差中至少之一的计算； 基于所述计算的结果对所述短期风电预测模型进行评价。 7.如权利要求6所述的方法， 其特 征在于， 所述均方根 误差计算式如下： 所述平均绝对误差计算式如下： 所述归一 化均方根 误差计算式如下： 所述归一 化平均绝对百分比误差计算式如下：权　利　要　求　书 1/2 页 2 CN 114861513 A 2其中， n为训练数量， yi为历史风电负荷数据对应的下一时段的负荷功率的 验证值， 为模型预测下一时段负荷功率的预测值。 8.一种风电出力预测系统， 其特 征在于， 包括： 采集模块、 训练模块和预测模块； 所述采集模块， 用于采集当前时段的风电负荷数据； 所述训练模块， 用于将所述当前时段的风电负荷数据输入到预先建立的短期风电预测 模型中， 输出 下一时段的风电负荷功率； 所述预测模块， 用于根据所述下一时段的风电负荷功率确定下一时段的风电出力情 况； 其中， 所述短期风电预测模型利用BiLSTM预测网络对历史风电负荷数据和所述历史风 电负荷数据对应的下一时段的负荷功率进行训练建立的。 9.根据权利要求8所述的系统， 其特征在于， 所述训练模块， 包括： 训练数据子模块和预 测模型子模块； 所述训练数据子模块， 用于将历史时段的历史风电负荷数据作为输入函数， 将所述历 史时段的历史风电负荷数据对应下一时段的负荷功率作为输出函数； 所述预测模型子模块， 用于基于所述输入函数和所述输出函数作 为训练集在BiLSTM预 测网络中进行训练， 得到所述短期风电预测模型。 10.根据权利要求9所述的系统， 其特征在于， 所述训练模块， 还包括： 验证数据子模块 和验证预测子模块； 所述验证数据子模块， 用于将另外一个历史时段的历史风电负荷数据和历史时段的历 史风电负荷数据对应的下一时段的负荷功率作为验证集； 所述验证预测子模块， 用于将验证集中的历史风电负荷数据输入所述短期风电预测模 型中， 得到下一时段负荷功率的预测值。权　利　要　求　书 2/2 页 3 CN 114861513 A 3