[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

说明书

本发明公开了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。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，输出最终的预测结果；步骤6：按预定义的各种评价指标对预测结果进行评价。实验证明，本发明针对短期风电功率预测具有较高的准确度和鲁棒性。

技术领域

本发明涉及风电领域，具体涉及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。

背景技术

由于化石燃料的非再生性及其温室效应，世界各国纷纷将目光转向了新型可再生能源。其中，风能由于其分布广泛且成本较低，受到了世界各国的广泛重视。然而风能具有天生的不确定性，随着风力发电量的逐渐增长，风电对电网的危害日渐凸显。这是由于风电功率与风速的立方成正比，风速的微小变化将导致风电功率的大幅波动，这将严重影响电网安全和电能质量，也会增加电力调度人员的工作量。因此，如果能对风电功率进行准确预测，将有利于电力部门制定调度计划，降低电网的运行成本，使电网安全、经济、稳定地运行。

目前，短期与超短期风电功率预测的方法主要分两大类，一类是物理方法，一类是统计方法。已有风电系统采取的预测方法多数为基于物理方法的数值天气预报模型。这一类算法对电学和气象学基础知识要求较高，需要进行复杂的调参，计算较为精确但方法繁琐耗时很长，不利于大规模推广。统计方法通过分析风速历史样本的统计规律，建立风速样本之间的非线性映射关系，这类算法是基于统计观点的外推模型，可以回避对物理机理掌握不足等困难，比较适合于短期预测任务。

发明内容

本发明提供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，该方法具有较高的准确度和鲁棒性。

本发明通过以下技术方案实现：

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，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。

进一步的，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；该数据集的时间分辨率为每隔15分钟记录一次。

进一步的，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，