申请/专利权人：电子科技大学

申请日：2023-06-29

公开（公告）日：2024-04-19

公开（公告）号：CN117913773A

主分类号：H02J3/00

分类号：H02J3/00;G06Q10/04;G06Q50/06;G06N3/0464;G06N3/0442;G06N3/09

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明公开了一种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据以及对应时间范围内的风向和风速等数据，然后进行预处理构建出满足时域卷积神经网络输入需求的样本数据集；然后构建基于时域卷积神经网络作为短期风电功率预测模型，通过样本数据集训练时域卷积神经网络，使其能够精准预测风电功率；最后再通过训练完成的短期风电功率预测模型对实时预测风电场的功率数据。

主权项：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：1、数据采集及预处理；1.1、采集风电场的历史数据；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；Xpower＝{xpower,1,xpower,2,…,xpower,t,…,xpower,T}Xspeed＝{xspeed,1,xspeed,2,…,xspeed,t,…,xspeed,T}Xtemp＝{xtemp,1,xtemp,2,…,xtemp,t,…,xtemp,T}Xdirection＝{xdirection,1,xdirection,2,…,xdirection,t,…,xdirection,T}其中，t＝1,2,…,T，T表示采集总数；1.2、构建数据样本集；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}；1.3、数据样本集预处理；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，2、构建基于TCN-LSTNet的神经网络；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；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；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；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；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；3、训练基于TCN-LSTNet的神经网络；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；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；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Xi-1；在第i个残差块的左侧分支中，张量Xi-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FXi-1；在第i个残差块的右侧分支中，张量Xi-1经1×1卷积层，得到输出张量ConvXi-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Xi＝ActivationConvXi-1+FXi-1；最终，将最后一个残差块的输出Xm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Xm经过卷积层后得到张量ConvXm，张量ConvXm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RConvXm；在另一条支路中，张量ConvXm经过自回归层后得到张量ARConvXm；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Yk；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；4、风电功率的实时预测；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。

全文数据：

权利要求：

百度查询： 电子科技大学 一种基于时域卷积神经网络的短期风电功率预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD