买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华北电力大学;国网江苏省电力有限公司

摘要：本发明公开了基于融合多源NWP的TPA‑TCNMDN的超短期风电功率概率预测方法，包括以下步骤：S1：建立TPA的模型融合多源NWP；S2：建立一种够融合多时间尺度的概率特征的混合密度模块；解决了单一来源的集成NWP也不可避免导致某些时段以及某些位置的风电功率预测结果会出现较大的偏差的问题。

主权项：1.基于融合多源NWP的TPA-TCNMDN的超短期风电功率概率预测方法，其特征在于，包括以下步骤：S1：建立TPA的模型去融合多源NWP；S2：建立一种够融合多时间尺度的概率特征的混合密度模块；所述S1包括以下子步骤：S11：ht表示RNN在时间步长t时的隐藏状态，有k个长度为w的一维CNN滤波器，用不同颜色的矩形表示；S12：每个滤波器对隐含状态的m个特征进行卷积，生成一个包含m行k列的矩阵Hc；S13：评分函数通过与当前隐藏状态ht进行比较，为Hc的每一行计算权重，对权重进行归一化处理，将Hc的各行权重相加，得到Vt；S14：将Vt，ht串接并进行矩阵乘法，得到h't，用h't生成最终的预测值；S15：在提出的方法中，给定前面的RNN隐藏状态所提出的注意机制基本关注其行向量，行上的注意力权重选出那些有助于预测的变量；S16：由于上下文向量vt现在是包含多个时间步长的信息的行向量的加权和，所以它捕获时间信息；S17：在MTS预测中，给定一个MTS：X＝{x1,x2,…,xt-1}，其中表示时刻i的观测值，任务是预测xt-1+Δ的值，其中Δ是针对不同任务的固定水平，对应的预测表示为yt-1+Δ，真实值为y^t-1+Δ＝xt-1+Δ；S18：对于每个任务，我们只使用{xt-w,xt-w+1,…,xt-1}预测xt-1+Δ，其中w为窗口大小；S19：利用CNN进行时间模式检测；S20：定义时序注意机制；所述S2包括TCN模型和MDN网络结构TCN的模型为： 式中，x为时序数据；g为滤波器；C为卷积核的长度；d为膨胀系数；s为步长；从式中可知因果卷积的输出仅依赖之前的时序数据，具有严格的因果关系；MDN网络结构包括整合TCN层、权重正则化层、激活函数LeakyReLU作为时序卷积模块。

全文数据：

权利要求：

百度查询： 华北电力大学 国网江苏省电力有限公司 基于融合多源NWP的TPA-TCNMDN的超短期风电功率概率预测方法