[发明专利]基于时间卷积网络的风功率预测方法和装置

权利要求书

1.一种基于时间卷积网络的风功率预测方法，其特征在于，包括以下步骤：

获取原始气象数据和风功率系统运行数据；

对所述原始气象数据和风功率系统运行数据进行处理，生成训练集；

构建TCN模型，使用所述训练集对所述TCN模型进行训练；

获取待预测数据输入到所述TCN模型中，得到预测结果，其中，所述预测结果为风电系统的总功率。

2.如权利要求1所述的方法，其特征在于，所述原始气象数据包括：起报时间、预报时间、预定高度温度、动量通量、预定高度风向、海平面气压、云量、潜热通量、感热通量、短波辐射通量、长波辐射通量、地表水压、总降水、大尺度降水、对流降水、预定高度相对湿度；

所述风功率系统运行数据包括：场站基本信息、厂站出力表、测风数据、运行记录。

3.如权利要求2所述的方法，其特征在于，所述对所述原始气象数据和风功率系统运行数据进行处理，包括：

对所述原始气象数据、所述风功率系统运行数据进行清洗，去除无效数据，同时筛选正常工况数据并进行数据归一化；

对归一化后的数据进行检测，以发现错误的数值、异常值、空白和重复，将所有检测到的错误和缺失数据都从数据集中剔除，生成所述训练集。

4.如权利要求1所述的方法，其特征在于，所述TCN模型包括FCN和因果卷积，其中，FCN使用CNN的结构，同时把CNN最后的全连接层换成卷积层，FCN中每个隐藏层与输入层的长度相同，并添加长度的零填充，以保持后续层与以前的层的长度相同；所述因果卷积为靠近过去的半个普通卷积核，因果卷积时间t处的输出仅与时间t和前一层中较早的元素卷积。

5.如权利要求1所述的方法，其特征在于，训练所述TCN模型时使用正交阵列调整方法来优化深度学习模型的超参数。

6.一种基于时间卷积网络的风功率预测装置，其特征在于，包括获取模块、数据处理模块、模型训练模块、预测模块，其中，

所述获取模块，用于获取原始气象数据和风功率系统运行数据；

所述数据处理模块，用于对所述原始气象数据和风功率系统运行数据进行处理，生成训练集；

所述模型训练模块，用于构建TCN模型，使用所述训练集对所述TCN模型进行训练；

所述预测模块，用于获取待预测数据输入到所述TCN模型中，得到预测结果，其中，所述预测结果为风电系统的总功率。

7.如权利要求6所述的装置，其特征在于，所述数据处理模块，具体用于：

对所述原始气象数据、所述风功率系统运行数据进行清洗，去除无效数据，同时筛选正常工况数据并进行数据归一化；

对归一化后的数据进行检测，以发现错误的数值、异常值、空白和重复，将所有检测到的错误和缺失数据都从数据集中剔除，生成所述训练集。

8.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-5中任一所述的方法。