[发明专利]基于奇异谱分解和时间卷积神经网络的多步风电功率预测方法

权利要求书

1.一种基于奇异谱分解和时间卷积神经网络的多步风电功率预测方法，其特征在于：

获取历史风速和历史功率；

对历史风速和历史功率进行奇异谱分解，分别获得历史风速和历史功率的多维特征向量；

将历史风速和历史功率的多维特征向量输入经训练的风电功率预测模型，输出风电功率预测结果；

所述风电功率预测模型包括时间卷积神经网络层和全连接层，时间卷积神经网络层用于对历史风速数据和历史功率数据进行时序建模和特征提取，全连接层用于对时间卷积神经网络层提取的特征进行融合，以获取最终风电功率预测结果。

2.根据权利要求1所述的基于奇异谱分解和时间卷积神经网络的多步风电功率预测方法，其特征在于，所述风电功率预测模型的训练，包括：

采用MSE损失函数计算风电功率预测结果与真实功率之间的损失；将获取的网络损失反向传播，对风电功率预测模型的权值进行更新，直到网络收敛，获得训练完成的风电功率预测模型。

3.一种基于奇异谱分解和时间卷积神经网络的多步风电功率预测装置，其特征在于：

数据获取模块，用于获取历史风速和历史功率；

数据分解模块，用于对历史风速和历史功率进行奇异谱分解，分别获得历史风速和历史功率的多维特征向量；

结果预测模块，用于将历史风速和历史功率的多维特征向量输入经训练的风电功率预测模型，输出风电功率预测结果；

所述风电功率预测模型包括时间卷积神经网络层和全连接层，时间卷积神经网络用于对历史风速数据和历史功率数据进行时序建模和特征提取，全连接层用于对时间卷积神经网络层提取的特征进行融合，以获取最终风电功率预测结果。

4.根据权利要求3所述的基于奇异谱分解和时间卷积神经网络的多步风电功率预测装置，其特征在于，所述风电功率预测模型的训练，包括：

采用MSE损失函数计算风电功率预测结果与真实功率之间的损失；将获取的网络损失反向传播，对风电功率预测模型的权值进行更新，直到网络收敛，获得训练完成的风电功率预测模型。

5.一种存储介质，其上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现权利要求1或2所述基于奇异谱分解和时间卷积神经网络的多步风电功率预测方法的步骤。

6.一种多步风电功率预测设备，具有存储器和处理器，存储器上存储有能被处理器执行的计算机程序，其特征在于：所述计算机程序被执行时实现权利要求1或2所述基于奇异谱分解和时间卷积神经网络的多步风电功率预测方法的步骤。