[发明专利]一种基于TCN的风电预测误差区间评估方法

权利要求书

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，…，x_t去预测y₁，y₂，…，y_t，因果卷积的定义，滤波器F＝(f₁，f₂，…，f_k)，序列X＝(x₁，x₂，…，x_T)，在x_t处的因果卷积为：

步骤2.2：扩张卷积输出的一系列M_l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))。

3.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。