(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110118904.4 (22)申请日 2021.01.28 (65)同一申请的已公布的文献号 申请公布号 CN 112949904 A (43)申请公布日 2021.06.11 (73)专利权人 华中科技大 学 地址 430074 湖北省武汉市洪山区珞 瑜路 1037号 (72)发明人 彭小圣　王洪雨　贾诗媛　 (74)专利代理 机构 武汉开元知识产权代理有限 公司 42104 专利代理师 唐正玉 (51)Int.Cl. G06Q 10/04(2012.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G06Q 50/06(2012.01) (56)对比文件 US 20162 24892 A1,2016.08.04 CN 109558942 A,2019.04.02US 2018025271 A1,2018.01.25 CN 105844331 A,2016.08.10 CN 10971 1620 A,2019.0 5.03 CN 104268627 A,2015.01.07 Aqsa Sae ed Qureshi. “Adaptive transfer learning in deep neural netw orks: Wind power predicti on using knowledge transfer from regi on to regi on and betwe en different task domai ns”. 《computati onal intelligence》 .2019,108 8-1112. 叶琳等.深度学习在电力系统中的应用研究 综述. 《浙江电力》 .2019,(第0 5期), Maxime Oquab. “Learning and Transfer ring Mid-Level Ima ge Representati ons using Convolutional Neural Netw orks”. 《2014 IE EE Conference o n Computer Visi on and Pat tern Recogn ition》 .2014,1717-1724. (续) 审查员 刘畅 (54)发明名称 一种基于特征选择与多层级深度迁移学习 的风电场短期功率预测方法 (57)摘要 本发明公开一种基于特征选择与多层级深 度迁移学习的风电场短期功率预测方法， 将采集 到的的数据划分为两个数据集， 分别 作为迁移学 习的目标风电场和源风电场， 首先根据与目标风 电场的相关程度对源风电场的数据样本进行了 多层级划分， 然后基于多层 级的源风电场数据样 本构建目标风电场的多层级深度迁移学习模型， 最后采用特征选择的方法对多层级深度迁移学 习模型进行优化， 通过该方法预测可以减少数据 训练规模， 避免数据过度拟合， 具有推广价 值。 [转续页] 权利要求书2页 说明书4页 附图1页 CN 112949904 B 2022.06.07 CN 112949904 B (56)对比文件 Wenze Li.“A Short-Term Regi onal Wind Power Predicti on Method Based o n XGBoost and Multi-sta ge Features Selecti on”. 《2020 IEEE Student Co nference o n Electric Machines and Sy stems》 .2020,614- 618. 彭小圣.“风电集群短期及超短期功率预测精度改进方法综述 ”. 《中国电机 工程学报》 .2016,第3 6卷(第23期),6 315-6327. Xiaosheng Peng. “Wind Power Predicti on forWind Farm Clusters Based o n the Multifeature Simi larity Matc hing Method ”. 《IEEE TRANSACTIONS ON I NDUSTRY APPLICATIONS》 .2020,第5 6卷(第5期),4679- 4688.2/2 页 2[接上页] CN 112949904 B1.一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法，  其特征在 于按以下步骤进行： S1： 采集风电场数据， 用于数据划分和相关性分析； S2： 建立多层级深度迁移学习模型： 将已划分相关性程度的数据按照相关性由弱到强 的顺序依次训练BP神经网络预测模型的隐含层， 直至相关性 最高的数据被用于训练； S3： 在多层级深度迁移学习模型的基础上， 对每一层级的迁移学习采用基于序列前向 浮动搜索的特征选择， 选取与目标领域相关的特征迁移至下一层级， 将每层选取 的特征迁 移输入对应的BP神经网络预测模型中同相关性程度的数据一起训练， 直至相关性最高的数 据用于训练； S4： 通过目标风电场的数据对得出的BP神经网络预测模型参数进行参数调整和模型检 验， 得到最终的风电场短期功率预测模型； 所述S1步骤中， 其具体步骤 包括： S1.1： 采集 风电场时间步长15mi n， 连续600天的数据； S1.2： 将采集到的数据划分为两个数据集， 其中10%的数据作 为迁移学习的目标风电场 的数据， 90%的数据作为迁移学习的源风电场的数据； S1.3： 基于目标风电场的少量数据建立预测模型， 用该模型对源风电场的数据进行评 估， 基于评估结果与实际功率进行相关性分析， 按照相关性程度将对源风电场的数据进行 数据划分； S1.4： 将目标风电场前300天的数据丢弃， 保留后300天的数据， 以此构建迁移学习场 景； S1.5： 将目标风电场保留的后300天的数据进行数据划分， 其中前100天的数据用于多 层级深度迁移学习模型的训练， 后20 0天的数据用于多层级深度迁移学习模型的测试； 所述S2步骤中， 其具体步骤 包括： S2.1： 基于相关性程度高低， 以0.01作 为数据步长， 将源风电场的数据以相关性由弱至 强的方式划分为多组相关性 不同的源域数据； S2.2： 使用相 关性最低的源域数据训练单 隐含层的BP神经网络预测模型， 去掉单 隐含 层的BP神经网络预测模型的输出层， 添加新的隐含层用于下一相关性稍高的源域数据训 练， 并添加新的输出层； S2.3： 使用相关性稍高的源域数据训 练S2.2的添加新的隐含层的BP神经网络预测模 型， 去掉添加新的 隐含层的BP神经网络预测模型的输出层后添加又一新的 隐含层用于下一 相关性稍高的源域数据训练， 并添加新的输出层； S2.4： 以此类推， 直至相关性最高的源域数据被用于训练上一步添加最新的隐含层的 BP神经网络预测模型， 去掉添加最新的隐含层的BP神经网络预测模型的输出层， 添加新的 隐含层得到训练后的BP神经网络预测模型。 2.根据权利要求1中所述的风电场短期功率预测方法， 其特征在于， 所述S3步骤中， 具 体步骤包括： S3.1: 选择互信息作为特征选择方法的度量指标， 以最大相关 –最小冗余mRMR方法中 的准则函数作为特 征选择方法的准则函数； S3.2： 对多层深度迁移学习模型的每一层级的迁移学习采用基于序列前向浮动搜索的权　利　要　求　书 1/2 页 2 CN 112949904 B 3