[发明专利]一种基于WT-TCN风电功率超短期滚动预测方法

说明书

本发明一种基于WT‑TCN风电功率超短期滚动预测方法，其特征是，结合历史风电功率数据，利用小波变换找寻历史风电功率在时间上内在联系，借助基于PReLU激活函数时序卷积网络对历史风电功率的高频分量、低频分量分别进行训练、预测，最大程度挖掘历史风电功率数据，然后利用小波重构获取预测结果，保存模型，采用滚动预测将历史数据与最新数据共同作为训练数据，模型内部参数进行微调，滚动更新数据变化规律，其能有效降低风电功率并网带来的不稳定性问题，同时在风电场参与日前调度时能够提高风电场收收益。

技术领域

本发明涉及风电功率预测技术领域，具体涉及一种基于WT-TCN风电功率超短期滚动预测方法。

背景技术

随着风电的装机容量越大，风电因其自身具有的随机性、波动性给电网的安全性运行带来巨大挑战，大规模风电功率接入电网面临的不确定性问题，准确的风电功率预测对于促进风电消纳等具有重大意义。

目前，风电功率预测主要包括概率统计、深度学习等方法。概率统计模型以回归模型为代表，由于采用NWP进行预测，人为引入了误差，降低了模型的准确性；深度学习模型以循环神经网络为代表，可以直接利用气象数据和风电功率历史数据之间的关系构建深层网络模型具有更高拟合特性；同时大量预测方法引入信号处理方法如经验模态分解等，使预测均方误差下降；但现今预测方法预测精度普遍在7以上，且稳定性较差。

发明内容

本发明针对现有技术中存在的问题，创造性提出了一种基于WT-TCN风电功率超短期滚动预测方法，结合历史风电功率数据，利用小波变换(wavelet transform，WT)找寻历史风电功率在时间上内在联系，借助基于PReLU激活函数时序卷积网络(Temporalconvolutional network，TCN)对历史风电功率的高频分量、低频分量分别进行训练、预测，最大程度挖掘历史风电功率数据，然后利用小波重构获取预测结果，保存模型，采用滚动预测将历史数据与最新数据共同作为训练数据，模型内部参数进行微调，滚动更新数据变化规律，能有效降低风电功率并网带来的不稳定性问题。

本发明采用的技术方案是：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：