【技术实现步骤摘要】
本专利技术属于电力功率预测，特别是涉及到一种基于深度学习的风电功率预测方法及装置。
技术介绍
1、目前高精度的风电功率预测仍然是解决风电不确定性和波动性最有效的方法之一。准确的风电预测既能够确保电力系统的稳定运行，提高风电消纳空间，又有利于提高风电在电力市场中的竞争力。
2、短期风电功率预测技术已经取得了显著的进展，其核心是利用数值天气预报数据nwp（如：风速和风向）以及历史风电场数据，预测一定时期内的风电功率输出。预测的时间范围通常在二十几小时到几天之间。短期风电功率的主要预测方法有：统计方法、物理方法、人工智能方法及组合方法。物理方法是通过风电场及其周围环境信息构建出与功率对应的物理模型，其受环境因素较大。统计方法主要是通过建立风电场历史数据和风电功率对应的映射关系来进行预测，较依赖于历史数据。深度神经网络比浅层机器学习预测精度更高，但是与浅层机器学习相比又存在着模型复杂和训练时间长的问题。将多种模型进行组合，能够获得更优越的性能。虽然上述的每种方法都有其特定的应用场景，但是每种模型往往都难以获得最优预测结果。
<...【技术保护点】
1.一种基于深度学习的风电功率预测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的风电功率预测方法，其特征在于，所述CNN模块有两个卷积块，每个卷积块中，有一个带有c个特征的2D卷积层，每个核的大小为3x3，步长为1，填充方式为 "same"，对卷积层的输出使用激活函数ReLU和2x2的最大池化层，每个卷积块后，特征c的数量增加一倍；最后将特征输出到一个平展层，将每个样本的特征转化为一维向量。
3.根据权利要求1所述的基于深度学习的风电功率预测方法，其特征在于，所述TCN模块设置一个64的滤波器，内核大小为2，步长为1，使用Re...
【技术特征摘要】
1.一种基于深度学习的风电功率预测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的风电功率预测方法，其特征在于，所述cnn模块有两个卷积块，每个卷积块中，有一个带有c个特征的2d卷积层，每个核的大小为3x3，步长为1，填充方式为 "same"，对卷积层的输出使用激活函数relu和2x2的最大池化层，每个卷积块后，特征c的数量增加一倍；最后将特征输出到一个平展层，将每个样本的特征转化为一维向量。
3.根据权利要求1所述的基于深度学习的风电功率预测方法，其特征在于，所述tcn模块设置一个64的滤波器，内核大小为2，步长为1，使用relu作为激活函数。
4.根据权利要求1所述的基于深度学习的风电功率预测方法，其特征在于，所述cnn-tcn模型以平均绝对误差 mae作为损失函数，优化器使用adam，学习率设定为0.1，优化网络参数；
5.一种基于...
【专利技术属性】
技术研发人员：向婕，施长剑，吴媛，
申请(专利权)人：国能日新科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。