[发明专利]一种基于数模双驱的风电功率预测方法、装置和存储介质

权利要求书

1.一种基于数模双驱的风电功率预测方法，其特征在于，包括如下步骤：

步骤1：获取历史气象数据、历史风机运行状态数据、风电出力功率数据，依次进行预处理和归一化处理；

步骤2：利用多尺度卷积-长短期记忆人工神经网络(MSC-LSTM)框架提取历史气象数据和风电出力功率数据的非线性映射关系，搭建数字驱动模型；

步骤3：利用时间卷积网络(TCN)框架提取风机运行状态数据和风电出力功率数据的非线性映射关系，搭建物理驱动模型；

步骤4：利用全连接层将数字驱动模型和物理驱动模型的输出层相连，再利用注意力机制层整合两种驱动模型的输出，以获取最终预测结果；

所述步骤2的具体过程为：

步骤2.1：将经步骤1处理后的历史气象数据投入多尺度卷积层，多尺度卷积层每个卷积核输出的数据维度表示为：

其中，O_i表示第i个卷积核经过卷积层输出的数据维度；N表示输入图像的高度或宽度；F_i表示第i个卷积核对应数据维度；P表示多尺度卷积网络对应0填充值；Stride为步长；

最终得到的时序特征数据集记为：

其中，L_n·m表示大小为n·m的多元卷积输出；n表示时序长度；m表示多尺度卷积后得到的时序特征数据集的特征维度；x表示归一化处理后初始数据的特征维度；I_x·n表示归一化处理后的初始数据集；K_i表示第i个卷积核，i∈[1,m]；*表示卷积符号；

步骤2.2：将多尺度卷积的输出投入典型LSTM中，利用LSTM表示为：

y(t)＝f(X(t)·W+y(t-1)·V+b)

其中，X(t)表示t时刻LSTM的输入；y(t)表示t时刻LSTM的输出；V、W均表示输入占比权重矩阵；b表示偏置矩阵；

所述步骤3的具体过程为：

步骤3.1：通过堆叠空洞卷积挖掘时间卷积网络(TCN)的输入与输出之间的时空特征，输出下一时刻的风电功率值，其中，t时刻历史风机运行状态的空洞卷积为：

其中，S＝{S₀,S₁,...S_A-1}，S表示输入时间序列；s_t表示t时刻下的特征向量，t的取值范围为[0,A-1]；d表示膨胀因子；a表示求和符号中的下标，A表示滤波器大小，滤波器为F＝{F₀,F₁,...F_A-1}；*_d表示以d为膨胀因子进行空洞卷积；s_t-d(A-a)表示第t-d(A-a)个输入序列向量，t-d(A-a)的取值范围为[t-A,t]；

步骤3.2：在时间卷积网络(TCN)模型中引入残差模块，将初始输入数据，即历史风机运行状态数据经过两次时间卷积网络(TCN)处理后得到的预测数据进行求和运算，在对该求和输出求偏导时剩余一个常数项，在反向传播的过程中，保证梯度连乘时不会出现梯度消失的现象。