[发明专利]一种基于WT-TCN风电功率超短期滚动预测方法

权利要求书

1.一种基于WT-TCN风电功率超短期滚动预测方法，其特征是，它包括以下步骤：

1)小波尺度分解：

采用公式(1)对风电场的风电机组输出功率进行不同小波尺度分解，得到低频信号与高频信号，采用公式(2)对低频信号和高频信号进行相关性分析，获取自相关系数最大值以及自相关系数滞后项长度，依据自相关系数最大值以及滞后项长度来选取小波尺度，最终选取haar小波尺度；

式中：ACF为自相关系数；x_i为序列第i个样本点；n为总项数；h为滞后项数；u为序列均值；f(t)为风电历史功率数据；ψ为母小波函数；

2)确定分解层数：

在确定小波尺度后，将原始风电序列按照小波尺度进行分解，当分解为3层以上时，再次进行自相关系数分析，找到最优分解层数，当不满足公式(3)时，停止下一级分解，确定分解层数；

式中：ACF_di为低频自相关系数；ACF_ddi为低低频自相关系数；ACF_ai为高频自相关系数；ACF_aai为高高频自相关系数；

3)归一化处理：

在确定小波尺度及分解层数后，采用公式(4)对小波尺度及分解层数中对应分量作归一化处理，得到新的方差为1均值为0的高频分量、低频分量；将时序卷积模型分为高频模型以及低频模型，将得到的高频分量与低频分量输入到高频模型以及低频模型中，两个模型的超参选取按照步骤1)中所得的自相关滞后项长度选取TCN模型超参数，选取方法如公式(5)所示：

S＝K*(D+1)             (5)

式中：X、X_std分别为原始序列矩阵，经归一化后序列矩阵；σ为序列方差；K为滤波器数目；D为膨胀因子；

4)建立时序卷积网络：

将步骤3)中得到的归一化所得数据，输入到时序卷积网络的第一个残差模块的X矩阵，即公式(6)中，得到输出偏差矩阵，通过时序卷积网络针对偏差矩阵进行训练，模型训练完成后，进行预测下一天的风电功率的高频分量与低频分量；其中公式(6)为残差模块中的PReLU激活函数；公式(7)为膨胀卷积在x_t时所得结果；

式中：a为自适应因子；K为滤波器数目；T为时间步长；D为膨胀因子；

5)小波重构、输出预测结果：

将预测所得的高频分量、低频分量利用公式(8)进行小波重构输出预测结果，采用公式(9)计算均方根误差，式(10)计算稳定性；通过步骤1)至步骤5)建立WT-TCN模型；

式中：C为系数；p_i为风功率预测值；p′_i为风功率实际值；Q1、Q2、Q3分别对应下四分位数、中位数、上四分位数。

2.根据权利要求1所述的一种基于WT-TCN风电功率超短期滚动预测方法，其特征是，它还包括步骤：将当天获得实际风电数据与历史风电数据，输入到WT-TCN模型中，最终WT-TCN模型滚动输出三天预测结果。