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:东南大学
摘要:本发明涉及一种基于时间卷积网络的风功率超短期预测方法,包括以下步骤:采集一定时间段内的实际发电功率数据,对数据进行预处理;将处理好的数据切分样本,划分为训练集、验证集和测试集;将训练集和验证集输入TCN‑CCA网络进行模型训练;TCN‑CCA网络由时间卷积网络和通道卷积注意力模块构成,通道卷积注意力模块设置在最后一个时间卷积模块与全连接层之间,通过计算注意力的概率分布对时间维度上的关键性输入特征分配更多的权重;将测试集输入到训练好的TCN‑CCA网络得到风功率超短期预测值。本发明实现了时间序列数据特征的自动提取特征,应用于风功率超短期预测任务,准确率更高、训练的参数较少、训练稳定。
主权项:1.一种基于时间卷积网络的风功率超短期预测方法,其特征在于,包括以下步骤:S1、采集一定时间段内的实际发电功率数据,对数据进行异常值处理、缺失值填充以及归一化;S2、将处理好的数据切分样本,以每个时刻的前若干个小时的发电功率为输入数据x,并以该时刻未来4个小时的发电功率为预测数据y,以x,y为一个样本并构造数据集,进而划分为训练集、验证集和测试集;S3、将所述训练集和验证集的样本输入TCN-CCA网络中,建立所述输入数据与所述预测数据之间的映射关系,并进行参数更新,当目标函数满足迭代终止条件时停止更新,完成网络训练;所述TCN-CCA网络由时间卷积网络和通道卷积注意力模块构成,所述时间卷积网络包括多个时间卷积模块和一层全连接层;所述通道卷积注意力模块设置在最后一个所述时间卷积模块与所述全连接层之间,通道卷积注意力模块通过计算注意力的概率分布对时间维度上的关键性输入特征分配更多的权重,全连接层用于将通道维度上的特征进行整合,输出风功率的预测值;S4、将所述测试集的样本输入到训练好的TCN-CCA网络中,得到风功率超短期预测值;所述通道卷积注意力模块的数学模型如下: 式中,t代表时刻,1≤t≤T,Cov代表卷积运算,Ft代表由时间卷积网络提取的第t时刻对应的多个通道特征,pt为Ft经过卷积计算的结果,P为各时刻对应的卷积计算结果的集合,MF是集合P经过softmax函数计算得到的注意力概率矩阵,其大小为T×1;通过所述数学模型,通道卷积注意力模块首先对原始特征矩阵F在通道维度上进行卷积运算,卷积核尺寸为1,输出为T×1的矩阵,卷积运算通过不断迭代学习,自适应地使含有重要信息的时刻的值增大,仅包含有次要信息的时刻的值减小,进而计算注意力概率矩阵MF,然后将MF与原始特征矩阵F对应位相乘,得到加权后的特征矩阵F',即以实现为重要时刻的特征施加更大的权重,为次要时刻的特征施加较小的权重;所述时间卷积网络包括四个时间卷积模块,每个时间卷积模块的输入数据和输出数据等长,通过最小化两者的损失作为所述目标函数进行训练,每个时间卷积模块包括两个卷积层并设置归一化、ReLU层、Dropout层和残差连接,时间卷积网络的数学模型如下: 式中,{xi,i=1,2,…,T}为输入序列,为预测序列,{yi,i=1,2,…,T}为输出序列,L·为预测序列和输出序列间的损失函数,f·代表时间卷积网络模型。
全文数据:
权利要求:
百度查询: 东南大学 基于时间卷积网络的风功率超短期预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。