CN113962433A - 一种融合因果卷积与可分离时间卷积的风电预测方法及系统 - Google Patents

一种融合因果卷积与可分离时间卷积的风电预测方法及系统 Download PDF

Info

Publication number
CN113962433A
CN113962433A CN202111060906.9A CN202111060906A CN113962433A CN 113962433 A CN113962433 A CN 113962433A CN 202111060906 A CN202111060906 A CN 202111060906A CN 113962433 A CN113962433 A CN 113962433A
Authority
CN
China
Prior art keywords
convolution
wind power
causal
data
power prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111060906.9A
Other languages
English (en)
Inventor
李强
孙蓉
吴盛军
贾勇勇
唐伟佳
韩华春
刘伟伟
卜京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Nanjing University of Science and Technology
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology, State Grid Jiangsu Electric Power Co Ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical Nanjing University of Science and Technology
Priority to CN202111060906.9A priority Critical patent/CN113962433A/zh
Publication of CN113962433A publication Critical patent/CN113962433A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种融合因果卷积与可分离时间卷积的风电预测方法及系统，该方法根据时间尺度将风电场风机信息以及数值天气预报数据进行中长期大时间尺度数据与临近短期小时间尺度数据分解，利用因果卷积网络和深度可分离时间卷积通道作为并行模块分别挖掘风电时空数据的短期动态特性和长期相对稳定特性，最后两个通道的表征融合解码得到多对象预测结果。本发明利用时空数据的多时间尺度特性差异进行多通道融合学习，能够充分捕获风电数据的时空关联特征，有效提高了预测精度。

Description

一种融合因果卷积与可分离时间卷积的风电预测方法及系统
技术领域
本发明涉及新能源技术领域，尤其涉及一种融合因果卷积与可分离时间卷积的风电预测方法及系统。
背景技术
随着新能源发电的大力推广，风力发电无污染、储量大、可再生的特点得到了广泛的关注与研究。由于风能具有随机性、间歇性和不确定性，给电网的安全稳定运行带来不利影响。对风电场功率短期精准预测对于电网调度、安全等都具有重要意义。随着深度学习的进一步发展，近年来以卷积神经网络(Convolutional Neural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)为代表的深度学习模型以其突出的非线性映射能力在风电功率的预测上广泛应用，二者分别在空间关联特性与时间依赖特性挖掘方面各有其侧重性。已有研究者对基于深度学习模型的时空数据预测问题开展了研究，其主要有两个思路，一是将CNN进行时间维度拓展或将RNN进行空间维度拓展，如时间卷积(TemporalConvolutional Neural,TCN)网络、卷积门限循环单元(Convolutional Gated RecurrentUnit,ConvGRU)，另一类是将CNN与RNN进行级联实现时空特征分段挖掘，先使用多个卷积通道逐帧提取二维空间特征，再使用双向GRU对提取到的空间特征进行时序建模，以捕获时空关联特性。然而，对于风电预测这种具有强时空依赖性的数据，当前时空数据预测模型较少考虑数据中长期与邻近短期下的差异化内生时空关联特性表征，这在一定程度上影响了其预测模型的准确性。
发明内容
本发明的目的在于提供一种复杂度低、精度高的融合因果卷积与可分离时间卷积的风电预测方法及系统。
为达到上述目的，本发明采用的技术方案如下：
本发明提供一种融合因果卷积与可分离时间卷积的风电预测方法，包括：
建立融合因果卷积与可分离时间卷积的风电预测模型；
采集风电场历史风机信息及天气预报数据训练所建立的风电预测模型；
将实时风电场风机信息及天气预报数据输入训练好的风电预测模型，得到风电场风机功率预测结果。
进一步的，建立融合因果卷积与可分离时间卷积的风电预测模型，包括：
Figure BDA0003256322670000021
其中，Xt+τ为预测目标时刻t+τ全体风电场风机对象的预测状态，XS为短期观测序列，XL为中长期观测序列，Pr()为风电预测模型对应的非线性函数，N为风电场风机对象个数，M为观测序列中数据维度。
进一步的，所述短期观测序列表示以当前时间点t为基准，以p个采样单位为步长，向前依次采集d个数据作为短期数据，表示为：XS＝{Xt-d×p,…,Xt-p}；
所述中长期观测序列表示以当前时间点t为基准，以q个采样单位为步长，依次向前采集c个数据作为中长期数据，表示为：XL＝{Xt-c×q,…,Xt-q}；
其中，采集的数据包括风电场风机信息及天气预报数据。
进一步的，所述风机信息包括风机功率、风机历史风速、风向数据、风机切入风速和风机切出风速；
所述天气预报数据包括预报风速、预报风向、预报温度、预报湿度和预报气压。
进一步的，还包括：
对所述风机信息和天气预报数据进行标准化处理，将数据值限制在区间[0，1]。
进一步的，所述训练所建立的风电预测模型，包括：
采用深度可分离时间卷积通道对短期观测序列进行学习；
采用轻量级因果卷积通道对中长期观测序列进行学习；
将短期、中长期的学习结果进行融合，对融合特征图使用反卷积进行上采样，恢复到与输入相同的尺寸，得到风电场风机风电功率预测结果。
进一步的，所述轻量级因果卷积通道深度的因果卷积层采用32个3×s的卷积核，其中，s为输入数据维度。
进一步的，所述深度可分离时间卷积通道采用2个残差模块进行堆叠，所述残差模块内部包含两次膨胀系数为2的空洞因果深度可分离卷积，逐通道卷积核数目为当前通道数m，卷积核尺寸1×6，逐点卷积核数目为32，卷积核尺寸m×1。
进一步的，训练过程中，采用均方误差作为损失函数进行迭代优化。
本发明还提供一种融合因果卷积与可分离时间卷积的风电预测系统，包括：
轻量级因果卷积网络，用于对风电场风机中长期观测数据进行学习；
深度可分离时间卷积网络，用于对风电场风机短期观测数据进行学习；
输出模块，用于将短期、中长期的学习结果进行融合，对融合特征图使用反卷积进行上采样，恢复到与输入相同的尺寸，输出风电场风机风电功率预测结果。
进一步的，所述轻量级因果卷积通道深度的因果卷积层采用32个3×s的卷积核，其中，s为输入数据维度。
进一步的，所述深度可分离时间卷积通道采用2个残差模块进行堆叠，所述残差模块内部包含两次膨胀系数为2的空洞因果深度可分离卷积，逐通道卷积核数目为当前通道数m，卷积核尺寸1×6，逐点卷积核数目为32，卷积核尺寸m×1。
进一步的，还包括：
训练模块，用于基于风电场风机历史观测数据训练所述轻量级因果卷积网络和深度可分离时间卷积网络。
本发明与现有技术相比，具有优点如下：
(1)采用风机功率、风电机组历史风速等风电场风机信息和预报风速、风向、温度、湿度等数值天气预测数据构造多维有效信息矩阵，更完备表征功率影响因子；(2)针对不同时间尺度风电数据对预测功率影响，抽取数据的短期全局动态特征与中长期稳态特征，对数据不同时间尺度下的内生关联机理进行差异化挖掘与融合学习，提高了预测精度。
附图说明
图1为本发明提供的一种融合因果卷积与可分离时间卷积的风电预测方法的流程图。
图2为本发明提供的一种融合因果卷积与可分离时间卷积的风电预测方法的具体实施过程。
图3为本发明提供的融合因果卷积与可分离时间卷积的风电预测模型结构图。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明实施例提供一种融合因果卷积与可分离时间卷积的风电预测方法，参见图1，具体步骤如下：
步骤1，采集风电场样本数据，包括：风机信息以及数值天气预报数据；
具体的，参见图2，采集包括风机功率、风电机组历史风速、风向数据、风机切入风速、风机切出风速等风电场风机信息和预报风速、风向、温度、湿度、气压等数值天气预测数据。其中风机功率为非负数值，停机时刻负功率数值进行修正，将其置零；风速数据为正数，且标记风力等级，风向范围是360°；需对异常采集数据进行校正，使其处于合理范围。
步骤2，对采集的风电场样本数据进行归一化处理；
为消除数据间单位量纲差异的影响，提升预测模型精度以及模型收敛速度，对数据进行归一化处理；针对不同属性的采样数据，通过以下公式，将采样数据缩放到[0,1]之间：
Figure BDA0003256322670000041
其中，x与
Figure BDA0003256322670000042
分别表示采样数据归一化处理前后数值，min(x)与max(x)分别表示该属性采样数据归一化前最小值和最大值。
步骤3，根据时间分辨率将归一化处理后的风电场样本数据进行中长期大时间尺度数据与临近短期小时间尺度数据分解，并划分训练样本和测试样本；
假定风电场时空数据来源为N个机组对象A1,...,AN，每个对象的时间序列长度为T，生成的数据维度为M，任意时刻t∈{1,...,T}时，各机组对象构成的空间数据可平铺为一个1×NM维的矩阵
Figure BDA0003256322670000043
进行表征。在连续的时间长度T下由N个机组对象生成的时空数据可以用二维张量
Figure BDA0003256322670000044
来表示。
X＝{X1,X2,...,XT}
针对风电场输出功率影响因素不同，既有季风变化，环境因素等长期稳定影响因子，又有实时风速、风向等短期波动影响因子，将其按时间尺度划分并进行针对性时间依赖特性提取以提高预测准确性。
具体的，参见图2，在已观测风电采样数据X下，若要预测目标时刻t+τ这N个机组对象的状态Xt+τ，以时间序列划分中常用的两种尺度为例，即小尺度的临近短期和大尺度的中长期，将时空数据X划分为临近短期观测序列XS和中长期观测序列XL，即，
XS＝{Xt-d×p,…,Xt-p}，XL＝{Xt-c×q,…,Xt-q}，
其中，短期序列XS表示以当前时间点t为基准，以p为步长，向前依次取d个数据作为短期数据。需要说明的是，这里的步长p是指p个采样单位。
中长期序列XL表示以当前时间点t为基准，以q为步长，依次向前取c个数据作为中长期数据。需要说明的是，这里的步长q是指q个采样单位。
d和c分别为短期序列XS和中长期序列XL的序列长度。
基于多时间尺度的预测问题可由下式进行描述：：
Figure BDA0003256322670000051
其中，Pr()为风电预测模型对应的非线性函数，N为风机对象个数，M为采样数据维度。
步骤4，构建融合因果卷积与可分离时间卷积的风电预测模型，利用因果卷积网络和深度可分离时间卷积通道作为并行模块分别挖掘风电时空数据的短期动态特性和长期相对稳定特性，最后将两个通道的表征融合解码得到多对象预测结果；
具体的，参见图2，本发明采用一种中长期轻量级因果卷积通道MLT-CCNN来挖掘输入的中长期时空数据XL的内生关联特性，其对全局数据采用覆盖空间和时间维度的共享卷积核来进行特征提取，并采用因果卷积(Causal Convolution,CC)确保在时间t处输出的状态仅取决于其之前输入，与未来时刻的输入无关。MLT-CCNN通道因果卷积层采用32个3×s的卷积核(s为时空矩阵空间维度)，其操作可描述为：
X'L＝fL(XL)
式中，fL为该学习通道对应的非线性函数，XL为中长期时空数据输入，X'L为经过该通道捕获的时空特征。
本发明设计了一种深度可分离时间卷积通道DS-TCN来挖掘输入的临近短期时空数据XS的小尺度关联特性。利用因果空洞卷积来处理时空数据，可以保证网络在不是很深的情况下拥有较大的感知野。同时利用深度可分离卷积(Depthwise Separableconvolution,DSC)结构首先逐通道卷积，提取空间中每个风机属性的时间序列特征，然后进行逐点卷积，融合各风机的空间关联特性，从而实现对时空数据的复杂内生关联特性的挖掘。
DS-TCN通道采用2个残差模块进行堆叠，残差模块内部包含两次膨胀系数为2的空洞因果深度可分离卷积，逐通道卷积核数目为当前通道数m，卷积核尺寸1×6，逐点卷积核数目为32，卷积核尺寸m×1(m为通道数)。可以将临近短期时空数据的学习过程描述为：
X′S＝fS(XS)
式中，fS为该学习通道对应的非线性函数，XS为输入的临近短期时空数据，X′S为经过该通道捕获的时空特征。
最后采用反卷积层对中长、临近短期融合特征图使用反卷积进行上采样，使它恢复到与输入多维数据相同的尺寸，从而在最大化利用空间信息的情况下实现对各观测对象的预测。
该融合输出模块可由下式进行描述：
output＝Conv{ConvT[X'S X'L]}
上式中，X′S、X'L分别为临近短期和中长期通道捕获的时空特征，Conv和ConvT分别为卷积与反卷积运算。
步骤5，通过训练样本对风电预测模型进行训练和参数优化，利用极端天气数据样本进行模型修正，对测试样本进行多风机风电功率预测。
具体的，采用均方误差(MSE)作为损失函数对模型参数进行迭代优化，利用非极端气象数据集作为基础数据集训练全局模型，极端气象数据集作为测试数据集，对模型参数进行修正，提高对极端气象预测的适应性。
本发明另一个实施例提供一种融合因果卷积与可分离时间卷积的风电预测系统，参见图3，包括：
轻量级因果卷积网络，用于对风电场风机中长期观测数据进行学习；
深度可分离时间卷积网络，用于对风电场风机短期观测数据进行学习；
输出模块，用于将短期、中长期的学习结果进行融合，对融合特征图使用反卷积进行上采样，恢复到与输入相同的尺寸，得到风电场风机风电功率预测结果。
本发明实施例中，轻量级因果卷积通道深度的因果卷积层采用32个3×s的卷积核，其中，s为输入数据维度。
本发明实施例中，深度可分离时间卷积通道采用2个残差模块进行堆叠，所述残差模块内部包含两次膨胀系数为2的空洞因果深度可分离卷积，逐通道卷积核数目为当前通道数m，卷积核尺寸1×6，逐点卷积核数目为32，卷积核尺寸m×1。
本发明实施例中，输出模块包括融合层，反卷积层和卷积层；
其中，融合层用于将短期、中长期的学习结果进行融合；
反卷积层用于将融合特征图使用反卷积进行上采样，恢复到与输入相同的尺寸；
卷积层用于输出风电场风机风电功率预测结果。
本发明实施例中，还包括：
训练模块，用于基于风电场风机历史观测数据训练所述轻量级因果卷积网络和深度可分离时间卷积网络。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (13)

1.一种融合因果卷积与可分离时间卷积的风电预测方法，其特征在于，包括：
建立融合因果卷积与可分离时间卷积的风电预测模型；
采集风电场历史风机信息及天气预报数据训练所建立的风电预测模型；
将实时风电场风机信息及天气预报数据输入训练好的风电预测模型，得到风电场风机功率预测结果。
2.根据权利要求1所述的一种融合因果卷积与可分离时间卷积的风电预测方法，其特征在于，建立融合因果卷积与可分离时间卷积的风电预测模型，包括：
Figure FDA0003256322660000011
其中，Xt+τ为预测目标时刻t+τ全体风电场风机对象的预测状态，XS为短期观测序列，XL为中长期观测序列，Pr()为风电预测模型对应的非线性函数，N为风电场风机对象个数，M为观测序列中数据维度。
3.根据权利要求2所述的一种融合因果卷积与可分离时间卷积的风电预测方法，其特征在于，
所述短期观测序列表示以当前时间点t为基准，以p个采样单位为步长，向前依次采集d个数据作为短期数据，表示为：XS＝{Xt-d×p,…,Xt-p}；
所述中长期观测序列表示以当前时间点t为基准，以q个采样单位为步长，依次向前采集c个数据作为中长期数据，表示为：XL＝{Xt-c×q,…,Xt-q}；
其中，采集的数据包括风电场风机信息及天气预报数据。
4.根据权利要求3所述的一种融合因果卷积与可分离时间卷积的风电预测方法，其特征在于，
所述风机信息包括风机功率、风机历史风速、风向数据、风机切入风速和风机切出风速；
所述天气预报数据包括预报风速、预报风向、预报温度、预报湿度和预报气压。
5.根据权利要求4所述的一种融合因果卷积与可分离时间卷积的风电预测方法，其特征在于，还包括：
对所述风机信息和天气预报数据进行标准化处理，将数据值限制在区间[0，1]。
6.根据权利要求5所述的一种融合因果卷积与可分离时间卷积的风电预测方法，其特征在于，所述训练所建立的风电预测模型，包括：
采用深度可分离时间卷积通道对短期观测序列进行学习；
采用轻量级因果卷积通道对中长期观测序列进行学习；
将短期、中长期的学习结果进行融合，对融合特征图使用反卷积进行上采样，恢复到与输入相同的尺寸，得到风电场风机风电功率预测结果。
7.根据权利要求6所述的一种融合因果卷积与可分离时间卷积的风电预测方法，其特征在于，所述轻量级因果卷积通道深度的因果卷积层采用32个3×s的卷积核，其中，s为输入数据维度。
8.根据权利要求6所述的一种融合因果卷积与可分离时间卷积的风电预测方法，其特征在于，所述深度可分离时间卷积通道采用2个残差模块进行堆叠，所述残差模块内部包含两次膨胀系数为2的空洞因果深度可分离卷积，逐通道卷积核数目为当前通道数m，卷积核尺寸1×6，逐点卷积核数目为32，卷积核尺寸m×1。
9.根据权利要求6所述的一种融合因果卷积与可分离时间卷积的风电预测方法，其特征在于，训练过程中，采用均方误差作为损失函数进行迭代优化。
10.一种融合因果卷积与可分离时间卷积的风电预测系统，其特征在于，包括：
轻量级因果卷积网络，用于对风电场风机中长期观测数据进行学习；
深度可分离时间卷积网络，用于对风电场风机短期观测数据进行学习；
输出模块，用于将短期、中长期的学习结果进行融合，对融合特征图使用反卷积进行上采样，恢复到与输入相同的尺寸，输出风电场风机风电功率预测结果。
11.根据权利要求10所述的一种融合因果卷积与可分离时间卷积的风电预测系统，其特征在于，所述轻量级因果卷积通道深度的因果卷积层采用32个3×s的卷积核，其中，s为输入数据维度。
12.根据权利要求10所述的一种融合因果卷积与可分离时间卷积的风电预测系统，其特征在于，所述深度可分离时间卷积通道采用2个残差模块进行堆叠，所述残差模块内部包含两次膨胀系数为2的空洞因果深度可分离卷积，逐通道卷积核数目为当前通道数m，卷积核尺寸1×6，逐点卷积核数目为32，卷积核尺寸m×1。
13.根据权利要求10所述的一种融合因果卷积与可分离时间卷积的风电预测系统，其特征在于，还包括：
训练模块，用于基于风电场风机历史观测数据训练所述轻量级因果卷积网络和深度可分离时间卷积网络。
CN202111060906.9A 2021-09-10 2021-09-10 一种融合因果卷积与可分离时间卷积的风电预测方法及系统 Pending CN113962433A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111060906.9A CN113962433A (zh) 2021-09-10 2021-09-10 一种融合因果卷积与可分离时间卷积的风电预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111060906.9A CN113962433A (zh) 2021-09-10 2021-09-10 一种融合因果卷积与可分离时间卷积的风电预测方法及系统

Publications (1)

Publication Number Publication Date
CN113962433A true CN113962433A (zh) 2022-01-21

Family

ID=79461387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111060906.9A Pending CN113962433A (zh) 2021-09-10 2021-09-10 一种融合因果卷积与可分离时间卷积的风电预测方法及系统

Country Status (1)

Country Link
CN (1) CN113962433A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115357065A (zh) * 2022-08-27 2022-11-18 华能新能源股份有限公司 海上风机的远程智能除湿控制系统及其方法
CN115796394A (zh) * 2023-02-01 2023-03-14 天翼云科技有限公司 数值天气预报订正方法、装置、电子设备及存储介质
CN116362503A (zh) * 2023-03-30 2023-06-30 国网河南省电力公司安阳供电公司 基于人工智能的电力调节方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115357065A (zh) * 2022-08-27 2022-11-18 华能新能源股份有限公司 海上风机的远程智能除湿控制系统及其方法
CN115357065B (zh) * 2022-08-27 2024-04-12 华能新能源股份有限公司 海上风机的远程智能除湿控制系统及其方法
CN115796394A (zh) * 2023-02-01 2023-03-14 天翼云科技有限公司 数值天气预报订正方法、装置、电子设备及存储介质
CN116362503A (zh) * 2023-03-30 2023-06-30 国网河南省电力公司安阳供电公司 基于人工智能的电力调节方法及系统
CN116362503B (zh) * 2023-03-30 2023-11-07 国网河南省电力公司安阳供电公司 基于人工智能的电力调节方法及系统

Similar Documents

Publication Publication Date Title
CN113962433A (zh) 一种融合因果卷积与可分离时间卷积的风电预测方法及系统
CN111160620B (zh) 一种基于端到端记忆网络的短期风电功率预测方法
CN113822418A (zh) 一种风电场功率预测方法、系统、设备和存储介质
CN113657662B (zh) 一种基于数据融合的降尺度风电功率预测方法
CN111461463A (zh) 一种基于tcn-bp的短期负荷预测方法、系统及设备
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN111967675A (zh) 光伏发电量的预测方法以及预测装置
Li et al. Deep spatio-temporal wind power forecasting
CN112925824A (zh) 针对极端天气类型的光伏功率预测方法及系统
CN110766215B (zh) 基于特征自适应选择和wdnn的风电爬坡事件预测方法
CN117006654A (zh) 基于边缘计算的空调负荷控制系统及其方法
CN116706907A (zh) 基于模糊推理的光伏发电预测方法和相关设备
CN110321799B (zh) 一种基于sbr和平均类间距离的场景数选择方法
CN116484016A (zh) 一种基于时序路径自动维护的时序知识图谱推理方法和系统
CN111950752A (zh) 光伏电站发电量预测方法、装置、系统及其存储介质
CN116384576A (zh) 风速预测方法、装置、系统及存储介质
CN113962432A (zh) 一种融合三维卷积与轻量卷积门限单元的风电预测方法及系统
CN111126645A (zh) 一种基于数据挖掘技术和改进支持向量机的风电预测算法
CN117688367B (zh) 一种基于即时学习的风力发电超短期功率预测方法及装置
CN112215383A (zh) 一种分布式光伏发电功率预测方法和系统
CN116722548B (zh) 一种基于时间序列模型的光伏发电预测方法及相关设备
Liu et al. Ultra-short-term wind power forecasting based on stacking model
CN117154680A (zh) 一种基于非平稳Transformer模型的风电功率预测方法
CN116544931B (zh) 基于集成片段变换和时间卷积网络的电力负荷分布预测方法
CN116108989B (zh) 一种风电超短期功率预测方法、系统、存储介质及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination