[发明专利]基于端到端模型的爬坡预测方法

权利要求书

1.基于端到端模型的爬坡预测方法，其特征在于：由数据预处理、预测模型训练、模型预测和风电功率爬坡检测四部分组成；其中预测模型训练部分包括主预测模型训练模块和误差修正模型训练模块，模型预测部分主要包括主模型预测模块和误差模型修正模块；其中所述主预测模型训练模块，用于将历史风电功率数据、历史风速数据和预报风速数据作为模型输入，对主模型输入进行训练；所述误差修正模型训练模块，用于将主模型中的风电功率预测模型输出的风电功率预测残差序列作为数据集对误差修正模型进行训练测试；所述主模型预测模块，用于对未来4小时的风电功率进行预测；所述误差模型修正模块用于将主预测模型的输出作为残差模型输入，预测残差并修正初步预测值；所述风电功率爬坡检测模块，用于风电功率预测序列的爬坡检测，最后得到爬坡预测特征量。

2.根据权利要求1所述的一种基于端到端模型的爬坡预测方法，其特征在于：所述主预测模型训练模块由端到端模型构成，该端到端模型中编码器和解码器都采用双向长短时记忆神经网络模型作为主要模型结构，并添加注意力机制学习每个步长特征的贡献程度。

3.根据权利要求1所述的一种基于端到端模型的爬坡预测方法，其特征在于：所述主预测模型训练模块的输入包括将历史理论功率值、历史实际功率值、历史风速、历史风向和预报风速。

4.根据权利要求1所述的一种基于端到端模型的爬坡预测方法，其特征在于：所述主预测模型训练模块将与风电功率相关性更高的预报风速作为神经网络模型的输入，使模型不再只关注历史风电功率数据，避免预测滞后性现象的产生。

5.根据权利要求1所述的一种基于端到端模型的爬坡预测方法，其特征在于：所述主预测模型训练模块的输入取过去一周的历史数据，输出未来4个小时的风电功率预测值。

6.根据权利要求1所述的一种基于端到端模型的爬坡预测方法，其特征在于：所述误差修正模型训练模块的输入包括当前主模型的功率预测序列和历史预测残差序列将时间卷积网络作为基础结构，解决长期依赖问题，扩大感受野。

7.根据权利要求1所述的一种基于端到端模型的爬坡预测方法，其特征在于：所述风电功率爬坡检测模块对上述预测模型输出的风电功率序列进行爬坡检测，最后输出爬坡特征量。

8.基于端到端模型的爬坡预测方法，包括以下步骤：

A.采用线性插值填补原始风电功率时序数据中的空值，并处理不符合风功率曲线的异常数据点；

B.建立基于BiLSTM-Seq2Seq-AM的风电功率预测模型，用历史风电功率数据、历史风速数据和预报风速数据等相关数据对该模型进行训练测试；

C.基于TCN建立残差预测神经网络，用风电功率预测模型输出的风电功率预测残差序列作为数据集进行训练测试；

D.对上述步骤得到的预测功率序列进行爬坡检测，最终输出爬坡预测结果。