一种基于TCN的风电预测误差区间评估方法技术

本发明专利技术涉及一种基于TCN的风电预测误差区间评估方法，获取风电功率原始数据并归一化，将其划分为训练集和测试集；初始化TCN网络的权重，设置迭代次数、残差模块的个数及网络层数、扩张系数、卷积核大小、学习率及隐层神经元个数参数；以批量的方式将训练集数据输入TCN网络，计算有效历史长度的输出误差，并将误差反向传播以更新TCN网络参数；直到TCN网络精度满足人为给定的误差或达到迭代次数，完成训练；输入测试数据输出预测结果，实现风电功率的实时误差预测。依靠TCN灵活的感受野和学习能力可以实现误差预测，从而为实时调度提供基础。

A TCN based error interval evaluation method for wind power prediction

【技术实现步骤摘要】
一种基于TCN的风电预测误差区间评估方法
本专利技术涉及一种基于TCN的风电预测误差区间评估方法，属于电力系统控制

技术介绍
风电功率的预测一直是个技术难题，短期预测误差甚至能达到40％。为此，需要采取多种措施，如各种备用、储能、甚至能源互联网作为补偿，以降低风电功率带来的风险。这样一方面限制风电的大量接入，另一方面加剧了弃风问题。如果在预测风电功率的同时提供预测误差的区间评估，使电网的运行人员能够根据风电功率预测值及预测误差区间，修正网内各电厂的发电计划或者能源互联网中其他形式能源的出力，降低因风电大规模并网带来的风险及运行成本。近年来，国内外在估计风电功率预测误差方面已经有了很多研究成果，主要有两类。第一类为统计方法。用某种分布拟合风电预测误差，最常见的是正态分布，已经在调度和储能配置方面的研究中被大量采用。此外，柯西分布、贝塔分布、改进t分布、分段指数分布、Levy分布等多种分布模型以及各种组合模型，如混合高斯分布和混合偏态分布，时序分布模型也被相继提出。根据笔者的研究，不同时间，不同地点，不同风电机组拟合的概率分布并不相同。再者，即使误差分布拟合结果合理，得到的也是统计意义上的误差值。对于变化复杂的风电系统来说，这种统计结果与实时的误差偏差较大。而且，利用概率分布模型无法预估短时风速骤升骤降时产生的误差。第二类为启发式算法。该算法建立历史数据与预测误差之间的映射关系，得到风电功率误差的上下限。主要方法有神经网络法、支持向量机、极限学习机、隐马尔可夫模型等方法。这类方法直接寻找风电功率信号与误差之间的关联，精度不高。为了提高准确性，有学者研究从风电功率信号中提取与误差有关联的参数作为评估的特征值，如近期预测和实际风电出力方差、近期预测误差、综合气象指标等。这些误差特征值的选取具有明显的主观性，且与误差的关联性不够强，因而误差评估的准确性也不够高。风电预测方法主要包括基于气象模型和基于统计模型两种方法，统计模型基于历史风电功率数据，建立预测模型，从而得到预测结果。由于不依赖于气象数据和复杂的气象模型，实现简单，因而使用广泛。相关的研究主要集中在两个方面，第一个方面是预测模型，主要致力于建立更为精确的预测模型，用来建模的主要有人工神经网络、支持向量机、时间序列模型、自回归模型、相似日等。这些预测模型将输入样本视为不同类别，预测的本质是分类，没有学习到输入样本在时间上的关联，难以建立准确的映射模型，因而多步预测的性能不够理想。第二个方面研究是风电信号的预处理。为了使预测模型的输入样本更好的反映风电特性，对风电信号的进行预处理，处理方法主要有小波分解、相空间分解、EMD、EEMD、VMD等。但是这些分解方法中的参数选择很大程度依赖于经验，与风电信号本身的特性结合不足，分解出来的结果物理含义不明确。
技术实现思路
为了克服上述现有技术的不足之处，本专利技术提供一种基于TCN的风电预测误差区间评估方法，将特征提取和时序信息记忆结合，采用TCN建立风电预测误差评估模型，利用TCN提取风电误差时间序列的特征，建立这些特征与误差区间之间的关联，使用TCN去学习风电功率真实输出和预测误差之间的关系，TCN获得了比概率密度函数更高的预测误差精度。本专利技术是通过如下技术方案实现的：一种基于TCN的风电预测误差区间评估方法，其特征在于，包括以下步骤：步骤1：获取风电功率原始数据并归一化，将其划分为训练集和测试集；步骤2：初始化TCN网络的权重，设置迭代次数、残差模块的个数及网络层数、扩张系数、卷积核大小、学习率及隐层神经元个数参数；步骤3：以批量的方式将训练集数据输入TCN网络，计算有效历史长度的输出误差，并将误差反向传播以更新TCN网络参数；步骤4：重复步骤3，直到TCN网络精度满足人为给定的误差或达到迭代次数，完成训练；步骤5：输入测试数据输出预测结果，实现风电功率的实时误差预测。所述步骤2中包含以下具体步骤：步骤2.1：使用因果卷积CNN模型，序列问题可以转化为：根据x1，x2，…，xt去预测y1，y2，…，yt，因果卷积的定义，滤波器F＝(f1，f2，…，fk)，序列X＝(x1，x2，…，xT)，在xt处的因果卷积为：步骤2.2：扩张卷积输出的一系列Ml特征图为：其中：d是扩张因子，k是滤波器大小，而s-d·i说明过去的方向，膨胀等效于在每两个相邻的滤波器抽头之间引入一个固定的阶跃，当d＝1时，膨胀卷积变为普通卷积，使用膨胀卷积而不是普通卷积可以使输出y受到输入中更多节点的影响；步骤2.3：残差模块包含一个分支，该分支通向一系列变换F，其输出被添加到模块的输入x中：o＝Activation(x+F(x))。所述步骤3中包含以下具体步骤：步骤3.1：步骤1中的风电功率数据经过扩张因果卷积和ReLU激活函数处理后，在输入层使用额外的1×1卷积，即跳过连接去确保点加的张量形状相同；步骤3.2：将跳过连接和扩张因果卷积的输出相加作为第一层的输出；步骤3.3：每个中间层都有和输入层相同的结构，除了将跳过连接替换为残差连接，中间层的数量是可变的；步骤3.4：使用1×1的卷积去预测风电功率误差。本专利技术的有益效果是：CNN的主要特征是卷积滤波器的局部特征，对于时间序列预测，局部相关性反映在一个很小的时间段内一段时间内的连续变化，但是在实际应用中，RNN的结构中存在一个尚未解决的严重问题，RNN无法像CNN一样执行大规模并行处理，这也意味着RNN的计算量非常大，因为在完成整个任务之前必须保留所有中间结果。采用膨胀卷积可以扩大感受域，并行处理数个数据。RNN单个处理数据，缺乏对片段信号的辨识，而预测误差不但与单个数据有关，还与一段时间的信号有关，如前一段时间是爬坡了，还是出现紊乱了，这些仅凭一两个数据表现不出来，而片段的信号可以呈现出这些变化，此外，预测误差随机性较强，很难说存在长期记忆行为，因此，与风电功率预测不同，感受域不必取得过大，否则会有没有关联的信息加入，出现过拟合或者网络退化。采用残差网络后，可以避免学习深度增加时的梯度消失或梯度爆炸问题。预测误差受短期功率影响大，与长期信号关联小。在网络训练时，可根据训练样本决定距离较长样本之间是否需要建立映射，这对于时间特性复杂的预测误差信号尤为重要。依靠TCN的学习能力，可以使用实际风电的实时数据估算误差。由于考虑了实时信息，因此与基于概率密度函数的误差估计方法相比，深度学习网络TCN可以高精度地预测预测误差。另外，误差估计的宽度很薄，因此风能在某种程度上抵消对电网不确定。附图说明下面根据附图和实施例对本专利技术进一步说明。图1是本专利技术的因果卷积网络结构图；图2是本专利技术的扩张因果卷积图；图3是本专利技术的残差模块图；图4是本专利技术的TCN的结构图；图5是本专利技术的不同方法误差预测对比图；图6是本专利技术的T分布误差评估结果；图7是本专利技术的TCN误差评本文档来自技高网...

【技术保护点】
1.一种基于TCN的风电预测误差区间评估方法，其特征在于，包括以下步骤：/n步骤1：获取风电功率原始数据并归一化，将其划分为训练集和测试集；/n步骤2：初始化TCN网络的权重，设置迭代次数、残差模块的个数及网络层数、扩张系数、卷积核大小、学习率及隐层神经元个数参数；/n步骤3：以批量的方式将训练集数据输入TCN网络，计算有效历史长度的输出误差，并将误差反向传播以更新TCN网络参数；/n步骤4：重复步骤3，直到TCN网络精度满足人为给定的误差或达到迭代次数，完成训练；/n步骤5：输入测试数据输出预测结果，实现风电功率的实时误差预测。/n

【技术特征摘要】
1.一种基于TCN的风电预测误差区间评估方法，其特征在于，包括以下步骤：
步骤1：获取风电功率原始数据并归一化，将其划分为训练集和测试集；
步骤2：初始化TCN网络的权重，设置迭代次数、残差模块的个数及网络层数、扩张系数、卷积核大小、学习率及隐层神经元个数参数；
步骤3：以批量的方式将训练集数据输入TCN网络，计算有效历史长度的输出误差，并将误差反向传播以更新TCN网络参数；
步骤4：重复步骤3，直到TCN网络精度满足人为给定的误差或达到迭代次数，完成训练；
步骤5：输入测试数据输出预测结果，实现风电功率的实时误差预测。


2.根据权利要求1所述的一种基于TCN的风电预测误差区间评估方法，其特征在于，所述步骤2中包含以下具体步骤：
步骤2.1：使用因果卷积CNN模型，序列问题可以转化为：根据x1，x2，…，xt去预测y1，y2，…，yt，因果卷积的定义，滤波器F＝(f1，f2，…，fk)，序列X＝(x1，x2，…，xT)，在xt处的因果卷积为：



步骤2....

【专利技术属性】
技术研发人员：韩丽，景惠甜，高志宇，史丽萍，
申请(专利权)人：徐州上若科技有限公司，
类型：发明
国别省市：江苏;32