[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

说明书

本发明涉及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。适用于风力发电功率预测领域。本发明所采用的技术方案是：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。

技术领域

本发明涉及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。适用于风力发电功率预测领域。

背景技术

风能作为新型能源，由于其储量无限、安全、清洁等优点而被广泛应用， 得到各国的大力发，在能源领域具有极大的潜力。风速的非平稳性导致风力发 电功率的随机性和波动性较大，给大规模风力发电并网的安全稳定和经济运行 带来了挑战，因而提高风力发电功率预测的准确度具有重要的意义。

短期和超短期预测可以为电力调度和风电发电并网安全提供可靠的电力暂 态信息，因此，风电功率预测研究主要集中在短期和超短期风电功率预测上。 风电功率预测大致分为以下四种类型:(1)物理方法；(2)统计方法；(3)深度学习方 法；(4)混合方法。

物理方法主要基于数值天气预报(numerical weather prediction,NWP)，利用太阳辐照度、风速、温度等气象信息和地理信息进行风电功率预测。由于需要 详细的风电电站地理信息和气象数据，建模过程复杂。统计方法通过建立气象 和其他相关信息与风电功率之间的统计关系，进行风电功率的预测。统计方法 较物理方法建模简单，在早期得到广泛应用。

随着深度学习的快速发展，并在各种领域取得重大成功，基于深度学习的 风电功率预测方法开始被大量研究。深度学习方法建模简单，且拥有较高的准 确度，在风电功率预测领域应用广泛。其中，基于BiGRU网络的时间序列建模 被证明在风电功率预测方面表现良好，比传统统计方法和浅层神经网络方法预 测效果更好。

发明内容

本发明要解决的技术问题是：提供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。

本发明所采用的技术方案是：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。

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。

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；