专利示意图

一、技术领域

人工智能技术领域

二、专利介绍

1.专利信息

专利类型：发明

专利权人：清华大学深圳国际研究生院

申请号：202311340199.8

发明人：许银亮、陈昊煊

2.专利说明书摘要

一种基于神经网络的波浪能发电概率预测方法，包括如下步骤：S1.对波浪能发电序列进行聚类分析，根据发电特性将不同的发电设备分为若干类，实现对不同发电特性设备的匹配；根据波浪能发电形式受海洋气候环境的影响，筛选关键时空特征；对影响波浪能的复杂耦合因素进行频域分解；S2.以得到的特征作为训练模型的输入，基于波浪的不稳定性变化特征，构建序列架构神经网络波浪能预测模型；S3.使用概率区间估计方法预测未来波浪能发电功率的不确定性分布，并根据概率区间估计的结果进行波浪能发电的概率预测。通过对波浪能发电的概率预测，为确保新能源渗透下电力系统安全、稳定和可持续的运行具有重要现实意义。

3.创新点

本发明提出一种面向海岛复杂天气的基于改进神经网络的波浪能概率预测方法，其特征在于，考虑海洋气候环境的复杂性对波浪能发电的影响筛选关键时空特征，针对影响波浪能的复杂耦合因素进行频域分解，并构建序列架构神经网络概率预测模型，结合注意力机制捕获发电趋势，实现波浪能发电的概率预测。

4.痛点问题

（1）气候变化导致的海洋气象条件的不稳定性增加了波浪的变化性，使得准确的波浪能预测变得更加困难。本发明针对波浪能发电的不稳定性和不确定性，提出基于序列架构的神经网络预测模型，相较于传统模型具有更强的长期记忆能力。针对不同影响因素和不同历史时间步对预测的影响不同，提出注意力机制使得模型能够关注到关键特征；

（2）波浪能发电功率的确定性点预测，无法为面向新能源渗透下电网调度提供足够的不确定性信息，面对电网对不确定性信息的需求，本发明提出基于分位数回归的概率区间预测方法，从而实现对波浪能不确定性的估计；（3）波浪能发电产生影响的因素众多，相互耦合，本发明针对波浪能发电不同设备形式间的差异，提出基于k-shape的聚类方法，并通过混合指标特征筛选方法选择影响波浪能发电的关键特征，避免波浪系统受多种时空复杂因素驱动下数据冗余的问题；针对影响波浪能的复杂耦合因素，提出频域分解方法挖掘波浪能潜在走势特征。

5.技术优势

本发明基于改进神经网络，可以在复杂海洋环境下充分发掘海量数据特征，有效针对波浪能发电特性提出预测途径，能够有效提取影响波浪能发电走势的关键特征，并发掘潜在的变化规律，同时能够提供预测不确定性的信息，满足电网对新能源发电的预测和不确定性信息的需求。

三、产业化信息

1.应用场景

本发明面对波浪能发电的海岛与沿海规模化应用趋势，以提高波浪能发电技术的经济可行性，从而推动多种可再生能源的协同发展为目标，提出面向海岛复杂天气的基于改进神经网络的波浪能概率预测方法，为电网提供未来波浪能发电功率的预测信息，以更好地进行机组组合、储能控制、交易决策、需求响应等优化运行策略，为新能源大规模消纳与电网低碳、稳定、高效运行奠定基础。

2.合作方式

面议

注:所有成果未经授权，请勿转载

联系方式：ttc@sz.tsinghua.edu.cn