基于改进TCN-LSTM模型的风电超短期预测方法及系统与流程

本技术涉及风电功率预测，尤其涉及一种基于改进tcn-lstm模型的风电超短期预测方法及系统。

背景技术：

1、风电由于其应用技术日益成熟以及能源的清洁性，在电网规划中的比重也逐年上升。但风电功率自身的波动性和间歇性特点是影响风电大规模并网的主要因素。准确的风电功率预测，可为电网安排发电计划、停机检修提供可靠参考，有利于保证系统的安全可靠和经济运行。

2、受风电功率高不规则性的影响，简单的预测模型很难得到理想精度的预测结果，尽管针对时间序列数据进行预测的神经网络不断迭代发展，但特征提取能力仍然有待加强，无法快速准确地实时预测风电功率。

技术实现思路

1、本技术提供一种基于改进tcn-lstm模型的风电超短期预测方法及系统，以解决风电功率实时预测准确度低的问题。

2、本技术第一方面提供一种基于改进tcn-lstm模型的风电超短期预测方法，所述方法包括：

3、获取风电场发电功率数据集，并对所述风电场发电功率数据集进行预处理，以生成风电预处理数据集；所述预处理包括：空缺值处理、异常值处理和归一化处理；

4、根据时间卷积网络、时序模式注意力机制建立tpa-tcn网络；其中，所述时序模式注意力机制用于提高所述时间卷积网络的性能；

5、根据所述tpa-tcn网络对所述风电预处理数据集进行特征提取，生成风电特征数据集；

6、将长短期记忆网络与所述tpa-tcn网络级联，以构建tpa-tcn-lstm网络模型；

7、根据麻雀搜索算法对所述tpa-tcn-lstm网络模型中的超参数进行优化迭代，生成最优参数的tpa-tcn-lstm网络模型，以对风电进行预测。

8、上述方法将收敛速度快、鲁棒性强和稳定性好的所述麻雀搜索算法与所述tpa-tcn-lstm网络模型相结合，不仅善于处理时序数据，还可优化超参数，能够快速稳定收敛于全局最优。提高风电功率预测的准确度。

9、可选的，对所述风电场发电功率数据集进行预处理，以生成风电预处理数据包括：

10、根据具有噪声的基于密度的聚类方法对所述风电场发电功率数据集进行异常值检测，筛选出异常值数据；

11、将所述风电场发电功率数据集中的所述异常值数据进行删除，生成无异常值数据集；

12、根据knn算法选取所述异常值数据的近邻样本对所述无异常值数据集中空缺处进行估算和填充，生成无异常填充数据集；

13、对所述无异常填充数据集进行归一化处理，生成风电预处理数据集。

14、通过异常筛选与异常数据处理以及归一化处理，降低不同量纲带来的影响，为预测的准确性奠定基础。

15、可选的，根据时间卷积网络、时序模式注意力机制建立tpa-tcn网络包括：

16、将所述风电预处理数据集中的风电功率时间序列转化为有监督学习问题序列；

17、构建时间卷积网络，所述时间卷积网络包括：一维全卷积、因果卷积、残差连接模块以及空洞卷积模块；

18、根据所述时间卷积网络、所述时序模式注意力机制以及所述有监督学习问题序列，构建tpa-tcn网络。

19、可选的，所述长短期记忆网络包括输入门、遗忘门以及输出门；

20、所述遗忘门用于决定从所述长短期记忆网络的单元中丢弃的数据；

21、所述输入门用于从输入的所述风电特征数据集中决定用来更新内存状态的数据；

22、所述输出门用于根据输入的所述风电特征数据集和所述长短期记忆网络的单元的内存决定输出内容。

23、可选的，将长短期记忆网络与所述tpa-tcn网络级联，以构建tpa-tcn-lstm网络模型包括：使用lstm神经网络训练前向传播和使用lstm神经网络训练反向传播。

24、可选的，所述lstm神经网络训练前向传播包括：

25、设置lstm神经网络的各项参数数据；

26、根据所述参数数据计算隐藏层的非线性激活函数；

27、根据所述参数数据和所述隐藏层的非线性激活函数，计算所述输入门的输入、所述输入门的输出、所述遗忘门的输入以及所述遗忘门的输出；

28、根据所述参数数据、所述输入门的输出和所述遗忘门的输出，计算存储单元的输入和所述存储单元的状态值；

29、根据所述参数数据和所述隐藏层的非线性激活函数，计算所述输出门的输入和所述输出门的输出；

30、根据所述存储单元的状态值和所述输出门的输出，计算所述单元输出；其中，所述单元输出为所述tpa-tcn-lstm网络模型的预测结果。

31、可选的，所述lstm神经网络训练反向传播包括：

32、根据所述单元输出与实际值确定损失函数；

33、根据所述损失函数、所述参数数据计算权值修正项；

34、根据所述单元输出和所述损失函数，定义所述损失函数对所述存储单元输出的偏导数；

35、根据所述存储单元的状态值和所述损失函数，定义所述损失函数对所述存储单元状态的偏导数；

36、根据所述参数数据，计算所述损失函数对所述存储单元输出的偏导数；

37、根据所述输出门的输入、所述存储单元的状态值以及所述损失函数对所述存储单元输出的偏导数，计算所述输出门权值修正项；

38、根据所述参数数据、所述损失函数对所述存储单元输出的偏导数，计算所述存储单元权值修正项；

39、根据所述遗忘门的输入、所述损失函数对所述存储单元状态的偏导数，计算所述遗忘门权值修正项；

40、根据所述输入门的输入、所述存储单元的输入、所述损失函数对所述存储单元状态的偏导数计算所述输入门权值修正项。

41、可选的，根据麻雀搜索算法对所述tpa-tcn-lstm网络模型中的超参数进行优化迭代，生成最优参数的tpa-tcn-lstm网络模型包括：

42、根据所述tpa-tcn-lstm网络模型中的超参数初始化所述麻雀搜索算法的参数；

43、根据所述参数，生成麻雀位置矩阵；

44、根据所述麻雀搜索算法和所述麻雀位置矩阵，生成麻雀的适应度值矩阵；

45、更新生产者、乞讨者的位置，直至获得麻雀的最优位置和最佳适应度值；

46、将所述最优位置和最佳适应度值赋值给所述tpa-tcn-lstm网络模型作为最优参数，以生成最优参数的tpa-tcn-lstm网络模型。

47、可选的，所述方法还包括：

48、将所述风电特征数据集划分为训练集和测试集；

49、根据所述训练集对所述最优参数的tpa-tcn-lstm网络模型进行训练；

50、根据所述测试集对训练后的所述最优参数的tpa-tcn-lstm网络模型进行验证。

51、本技术第二方面提供一种基于改进tcn-lstm模型的风电超短期预测系统，所述系统用于实现第一方面所述方法的步骤，所述系统包括：数据获取模块、数据处理模块、建立模块、提取模块、优化迭代模块以及预测模块；

52、所述数据获取模块，用于获取风电场发电功率数据集；

53、所述数据处理模块，用于对所述风电场发电功率数据集进行预处理，以生成风电预处理数据集；所述预处理包括：空缺值处理、异常值处理和归一化处理；

54、所述建立模块，用于根据时间卷积网络、时序模式注意力机制建立tpa-tcn网络；其中，所述时序模式注意力机制用于提高所述时间卷积网络的性能；

55、所述提取模块，用于根据tpa-tcn网络对所述风电预处理数据集进行特征提取，生成风电特征数据集；

56、所述优化迭代模块，用于根据麻雀搜索算法对所述tpa-tcn-lstm网络模型中的超参数进行优化迭代，生成最优参数的tpa-tcn-lstm网络模型；

57、所述预测模块，用于利用所述最优参数的tpa-tcn-lstm网络模型，以对风电进行预测。

58、由于所述系统具有上述第一方面任一种所述的基于改进tcn-lstm模型的风电超短期预测方法的全部有益效果，在此不再赘述。

59、由以上技术方案可知，本技术提供一种基于改进tcn-lstm模型的风电超短期预测方法及系统，所述方法包括：获取风电场发电功率数据集，并对所述风电场发电功率数据集进行预处理，以生成风电预处理数据集；所述预处理包括：空缺值处理、异常值处理和归一化处理；根据时间卷积网络、时序模式注意力机制建立tpa-tcn网络；其中，所述时序模式注意力机制用于提高所述时间卷积网络的性能；根据所述tpa-tcn网络对所述风电预处理数据集进行特征提取，生成风电特征数据集；将长短期记忆网络与所述tpa-tcn网络级联，以构建tpa-tcn-lstm网络模型；根据麻雀搜索算法对所述tpa-tcn-lstm网络模型中的超参数进行优化迭代，生成最优参数的tpa-tcn-lstm网络模型，以对风电进行预测。通过所述麻雀搜索算法与所述tpa-tcn-lstm网络模型相结合，能够快速稳定收敛于全局最优，解决风电功率实时预测准确度低的问题。