[发明专利]一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法

权利要求书

1.一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法，其特征在于，所述短期风电功率预测方法包括以下步骤：

步骤1：对风电功率历史数据提取相关特征并形成样本集；

步骤2：利用多层LSTM神经网络模型对样本集中短期预测风速数据进行修正；

步骤3：对修正后的样本集数据进行归一化处理，并划分为训练集和测试集；

步骤4：分别对三通道CNN-LSTM神经网络初始化设置和TCN时间卷积网络初始化设置，利用训练集分别对两个网络进行训练；

步骤5：将测试集分别输入两个神经网络模型，并利用加权平均方法进行模型融合，输出预测结果；

步骤6：按预定义的各种评价指标对预测结果进行评价；

所述步骤2对样本集的短期预测风速数据进行修正具体为，对于每一次预测的输入特征，包括所预测前一天数据中的实际风速和所预测当天数据中短期预测的湿度、风速、风向、温度、气压，每次输入特征的尺寸为96×6；在将数据输入到多层LSTM神经网络时，将整个预测时间范围内所有的输入特征堆叠起来，形成三维张量，输出结果为对应预测时刻的短期预测风速；每次预测输出结果的尺寸为96×1。

2.根据权利要求1所述一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法，其特征在于，所述步骤1的相关特征包括短期预测湿度、短期预测气压、短期预测温度、短期预测风向、短期预测风速、实际风速和实际功率；数据集的时间分辨率为每隔15分钟记录一次。

3.根据权利要求1所述一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法，其特征在于，所述步骤2多层LSTM神经网络具体为，在LSTM层中，每个LSTM单元拥有一个单元状态和一个隐藏状态，并通过遗忘门、输入门和输出门来控制上述两个状态的变换；

具体的更新方式如下：h_t为隐藏状态，c_t为单元状态，i_t为输入门，g_t为一个候选值，o_t为输出门，f_t为忘记门，公式如下，

i_t＝σ(ω_i,xx_t+ω_i,hh_t-1+b_i) (1)

f_t＝σ(ω_f,xx_t+ω_f,hh_t-1+b_f) (2)

o_t＝σ(ω_o,xx_t+ω_o,hh_t-1+b_o) (3)

g_t＝tanh(ω_g,xx_t+ω_g,hh_t-1+b_g) (4)

式中：ω为权值矩阵；x_t为t时刻的输入；h_t-1为上一时刻的输出；σ为激活函数，b为偏置向量；

在当前时刻数据输入后，前一个时刻的单元状态c_t-1会进行更新产生当前单元状态c_t，单元状态c_t的更新公式(5)为:

c_t＝f_tc_t-1+i_tg_t (5)

最后输出y_t如下为：

y_t＝h_t＝o_t×tanh(c_t) (6)

将多个LSTM层堆叠起来，形成多层LSTM神经网络。