[发明专利]一种风电功率预测方法

权利要求书

1.一种风电功率预测方法，其特征在于，包括：

S100，获取风电场的风电功率数据，并对风电功率数据进行归一化处理；

S200，将归一化后的风电功率数据划分为训练集与测试集；

S300，利用训练集，构建空洞因果卷积神经网络分位数回归模型，具体包括，

S310，获取堆叠孔洞卷积层结构的输出层的特征映射，其特征映射如式(1)与式(2)，

其中，式(1)为堆叠空洞卷积层的第一层对应的特征映射式，式(2)中为堆叠空洞卷积层的第l层对应的特征映射式，式中，为第l层、第h个卷积核，f^l-1为第l-1层的输出，*为求卷积，i,j为卷积核的下标，i、j∈[1，2，...，N]，m为卷积核的大小，d是空洞因子，d∈[2⁰,2¹,...,2^L-1]，设空洞卷积有L层，则该结构的感受野为r＝2^L-1k，k为卷积核的大小；

S320，通过式(1)与式(2)的堆叠，构成空洞因果卷积神经网络分位数回归模型M(·)；

S400，利用测试集，对训练后的空洞因果卷积神经网络分位数回归模型进行测试，推导出条件密度预测；

S500，对条件密度预测进行X条件化与τ离散化处理，采用密度估计，得到风电功率预测值的条件密度预测。

2.根据权利要求1所述的方法，其特征在于，S400，利用测试集，对训练后的空洞因果卷积神经网络分位数回归模型进行测试，推导出条件密度预测，具体包括，

S410，设置空洞因果卷积神经网络分位数回归模型的目标函数，

其中，

式中，W、b是空洞卷积神经网络的权重、偏置集合，Y_i为风电功率预测值，X_i为输入的风电功率样本值；

S420，预设一维风电功率序列输入数据为τ取为0，预设权重W、偏置集合b的初始值；

S430，将X、W、b输入目标函数中，并采用Adam随机梯度下降法求解目标函数的最小值，得到带分位数条件的权重与偏置集合

S440，将计算的与代入条件分位数公式，得到预测输出Y的条件分位数估计，其中，预测输出Y的条件分位数公式为，

Q_Y(τ|X)＝f(X，W(τ)，b(τ)) (6)；

S450，令τ＝τ+0.01，返回至步骤S430，直到τ＝1，将计算的最后一组带分位数条件的权重与偏置集合作为权重与偏置集合的最优参数值；

S460，将计算得到的权重与偏置集合的最优参数值代入空洞因果卷积神经网络分位数回归模型M(·)中，计算得到风电功率概率密度预测其中，为风电功率的序列数据，N＝r；

根据风电功率概率密度预测值X_pre，计算条件密度预测，其计算公式为：

3.根据权利要求2所述的方法，其特征在于，S500，对条件密度预测进行X条件化与τ离散化处理，采用密度估计，得到风电功率预测值的条件密度预测，具体包括，

对条件密度预测进行关于X条件化与τ离散化处理；

采用密度估计，得到风电功率预测值的条件密度预测