[發明專利]一種基于多通道卷積神經網絡和時間卷積網絡的短期風電功率預測方法

有效

• 申請號: 202011208966.6
• 申請日: 2020-11-03
• 公開（公告）號: CN112365040B
• 公開（公告）日: 2022-03-01
• 發明（設計）人: 劉旭東;王洪燁;葉強;陳瑩;姜夢奇
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G06K9/62;G06Q50/06
• 代理公司: 哈爾濱市陽光惠遠知識產權代理有限公司 23211
• 代理人: 劉景祥

本發明公開了一種基于多通道卷積神經網絡和時間卷積網絡的短期風電功率預測方法。步驟1：對風電功率歷史數據提取相關特征并形成樣本集；步驟2：利用多層LSTM神經網絡模型對樣本集中短期預測風速數據進行修正；步驟3：對修正后的樣本集數據進行歸一化處理，并劃分為訓練集和測試集；步驟4：分別對三通道CNN?LSTM神經網絡初始化設置和TCN時間卷積網絡初始化設置，利用訓練集分別對兩個網絡進行訓練；步驟5：將測試集分別輸入兩個神經網絡模型，并利用加權平均方法進行模型融合，輸出最終的預測結果；步驟6：按預定義的各種評價指標對預測結果進行評價。實驗證明，本發明針對短期風電功率預測具有較高的準確度和魯棒性。

技術領域

本發明涉及風電領域，具體涉及一種基于多通道卷積神經網絡和時間卷積網絡的短期風電功率預測方法。

背景技術

由于化石燃料的非再生性及其溫室效應，世界各國紛紛將目光轉向了新型可再生能源。其中，風能由于其分布廣泛且成本較低，受到了世界各國的廣泛重視。然而風能具有天生的不確定性，隨著風力發電量的逐漸增長，風電對電網的危害日漸凸顯。這是由于風電功率與風速的立方成正比，風速的微小變化將導致風電功率的大幅波動，這將嚴重影響電網安全和電能質量，也會增加電力調度人員的工作量。因此，如果能對風電功率進行準確預測，將有利于電力部門制定調度計劃，降低電網的運行成本，使電網安全、經濟、穩定地運行。

目前，短期與超短期風電功率預測的方法主要分兩大類，一類是物理方法，一類是統計方法。已有風電系統采取的預測方法多數為基于物理方法的數值天氣預報模型。這一類算法對電學和氣象學基礎知識要求較高，需要進行復雜的調參，計算較為精確但方法繁瑣耗時很長，不利于大規模推廣。統計方法通過分析風速歷史樣本的統計規律，建立風速樣本之間的非線性映射關系，這類算法是基于統計觀點的外推模型，可以回避對物理機理掌握不足等困難，比較適合于短期預測任務。

發明內容

本發明提供一種基于多通道卷積神經網絡和時間卷積網絡的短期風電功率預測方法，該方法具有較高的準確度和魯棒性。

本發明通過以下技術方案實現：

一種基于多通道卷積神經網絡和時間卷積網絡的短期風電功率預測方法，所述短期風電功率預測方法包括以下步驟：

步驟1：對風電功率歷史數據提取相關特征并形成樣本集；

步驟2：利用多層LSTM神經網絡模型對樣本集中短期預測風速數據進行修正；

步驟3：對修正后的樣本集數據進行歸一化處理，并劃分為訓練集和測試集；

步驟4：分別對三通道CNN-LSTM神經網絡初始化設置和TCN時間卷積網絡初始化設置，利用訓練集分別對兩個網絡進行訓練；

步驟5：將測試集分別輸入兩個神經網絡模型，并利用加權平均方法進行模型融合，輸出預測結果；

步驟6：按預定義的各種評價指標對預測結果進行評價。

進一步的，所述步驟1的相關特征包括短期預測濕度、短期預測氣壓、短期預測溫度、短期預測風向、短期預測風速、實際風速和實際功率；該數據集的時間分辨率為每隔15分鐘記錄一次。

進一步的，所述步驟2多層LSTM神經網絡具體為，在LSTM層中，每個LSTM單元擁有一個單元狀態和一個隱藏狀態，并通過遺忘門、輸入門和輸出門來控制上述兩個狀態的變換；

具體的更新方式如下：h_t為隱藏狀態，c_t為單元狀態，i_t為輸入門，g_t為一個候選值，o_t為輸出門，f_t為忘記門，公式如下，