【技术实现步骤摘要】
本专利技术属于风电场功率预测，更为具体地讲，涉及一种基于时域卷积神经网络的短期风电功率预测方法。
技术介绍
1、近年来，风电技术的快速发展在一定程度上促进了风电设备在现代电力系统中的广泛应用的同时，也因自身的不确定性、不稳定性对电力系统的本身造成负面影响。故为了保障电力系统调度的稳定运行，需要依此构建较为精准的风电功率预测模型进行功率预测。
2、风电功率预测模型会根据预测模型的内部是否具备参数这一特点划分为参数模型和非参数模型。参数模型以支持向量机、线性回归、逻辑回归等算法为代表通过预设的数学形式来描述数据，并使用数据集来估计模型的参数。但是在实际应用中，如果实际数据与预设的模型形式不符，那么参数模型可能会产生较大的误差。
3、非参数模型不假设任何预设的数学形式，因此它们能够更灵活地适应数据的实际分布。这使得非参数模型在处理复杂的、非线性的数据时具有优势。常见的非参数风电功率预测模型包括长短期记忆算法、随机森林、决策树等。此类模型具有一定的模型灵活性以及具备能够高效地处理非线性问题的能力。但是尽管非参数模型在处理复杂的、非线性的数据时具有优势，但也存在一些缺点：1、通常需要大量的训练数据才能达到满意的性能；2、非参数模型由于其灵活性，更容易过拟合。过拟合是指模型在训练数据上的表现很好，但在未见过的数据上的表现较差。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提供一种基于时域卷积神经网络的短期风电功率预测方法，能够高效、快速预测风电功率。>
2、为实现上述专利技术目的，本专利技术一种基于时域卷积神经网络的短期风电功率预测方法，其特征在于，包括以下步骤：
3、(1)、数据采集及预处理；
4、(1.1)、采集风电场的历史数据；
5、在一定时间范围内按照固定周期采集风电场在不同时刻的历史风电功率xpower,t、风速xspeed,t、温度xtemp,t和风向xdirection,t，构成风电功率集合xpower、风速集合xspeed、温度集合xtemp和风向集合xdirection；
6、xpower＝{xpower,1,xpower,2,…,xpower,t,…,xpower,t}
7、
8、xdirection＝{xdirection,1,xdirection,2,…,xdirection,t,…,xdirection,t}
9、其中，t＝1,2,…,t，t表示采集总数；
10、(1.2)、构建数据样本集；
11、将风电功率集合xpower、风速集合xspeed、温度集合xtemp和风向集合xdirection构成数据样本集，记为x＝{xpower,xspeed,xtemp,xdirection}；
12、(1.3)、数据样本集预处理；
13、利用缺失值替换数据样本集中的异常值，再在缺失值处进行邻近插值处理，然后再进行标准化处理后得到标准数据样本集，最后为标准数据样本集中的数据样本增加时间标签，得到数据样本集其中，
14、(2)、构建tcn-lstnet的神经网络；
15、基于tcn-lstnet的神经网络包括时序卷积网络和长短期时间序列网络；
16、其中，时序卷积网络包括输入层、全连接层、若干个串联的残差块和输出层；每个残差块又包括因果扩张卷积层、权重归一化层、修正线性单元层relu、随机失活层dropout、和1×1卷积层；
17、在依次串联的残差块中，第i个残差块包含两个输入分支，i＝2，3…；左侧输入分支是前一个残差块的输出分别经过两次的因果扩张卷积层、权重归一化、修正线性单元层、以及随机失活层后再输入到当前残差块；右侧输入分支是将上一个残差块的输出经过1×1卷积后直接输入到当前残差块；
18、长短期时间序列网络包括卷积层、循环层、跳过循环层、回归层、自回归层以及全连接层；
19、在长短期时间序列网络中，卷积层通过卷积操作捕捉输入序列中的局部模式，并对其强制实现局部稀疏性；卷积层的输出张量划分成两条支路，一路张量会经过循环层、跳过循环层和回归层后输入至全连接层，其中，循环层使用了带有relu激活函数的门控循环单元gru，跳过循环层添加了跳过链接，回归层使用密集连接单元；另一路张量直接经过自回归层后输入至全连接层；两条支路的输出张量经过全连接层进行整合后得到预测值；
20、(3)、训练基于tcn-lstnet的神经网络；
21、(3.1)、利用滑动窗口法从数据样本集中截取t时刻之前的一段长度为n的数据，作为单批次的训练数据输入至tcn-lstnet的神经网络；
22、(3.2)、在时域卷积网络模块中，第k段的训练数据集以张量的形式依次流经输入层、全连接层以及第一个残差块；
23、从第二个残差块开始，每个残差块均包括两个输入分支，设第i个残差块的输入张量为x(i-1)；在第i个残差块的左侧分支中，张量x(i-1)经过由因果扩张卷积层进行特征抽取，然后依次经过权重归一化层、修正线性单元层(relu)、随机失活层(dropout)层，得到左侧分支的输出张量f(x(i-1))；在第i个残差块的右侧分支中，张量x(i-1)经1×1卷积层，得到输出张量conv(x(i-1))并将其匹配左侧分支输出张量的维度，然后两个分支的输出张量相加，得到第i个残差块的输出x(i)＝activation(convx(i-1)+f(x(i-1)))；
24、最终，将最后一个残差块的输出x(m)通过输出层输入至长短期时间序列网络；在长短期时间序列网络中，张量x(m)经过卷积层后得到张量conv(x(m))，张量conv(x(m))分别流经两条支路，其中一路依次经过循环层、循环跳过层以及回归层得到张量r(conv(x(m)))；在另一条支路中，张量conv(x(m))经过自回归层后得到张量ar(conv(x(m)))；两路张量经过全连接层并进行整合得到第k段训练数据集对应的预测值y(k)；
25、(3.3)、利用tcn-lstnet模型输出的功率预测值与功率真实值计算平均绝对误差loss；然后判断当前迭代次数是否达到预设值或平均绝对误差loss是否小于预设阈值，若满足上述条件，则停止迭代训练，得到训练完成的tcn-lstnet模型，并作为短期风电功率的预测模型；否则，将平均绝对误差loss通过梯度下降算法更新tcn-lstnet模型的权重，然后进行下一轮训练；
26、(4)、风电功率的实时预测
27、实时采集某风电场的风速、温度和风向，按照步骤(1.2)、(1.3)进行处理，然后将处理完成后的数据输入至训练完成的tcn-lstnet模型，从而预测出当前时刻下的风电功率。
28、本专利技术的专利技术目的是这样实现的：
29、本专利技术基于时域卷积神经网络的短期风电功率预测方法，先采集风电场历史风电功率数本文档来自技高网...
【技术保护点】
1.一种基于时域卷积神经网络的短期风电功率预测方法，其特征在于，包括以下步骤：
【技术特征摘要】
1.一种基于时域卷积神经网络的短期风电功...
【专利技术属性】
技术研发人员：张真源，郑锴文，刘影，韩雨岑，胡利，胡晨彬，王鹏，唐啸天，
申请(专利权)人：电子科技大学，
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。