公开(公告)号：CN112365040B

公开(公告)日：2022-03-01

申请号：CN202011208966.6

申请日：2020-11-03

Applicant: 哈尔滨工业大学

Inventor： 刘旭东 ,  王洪烨 ,  叶强 ,  陈莹 ,  姜梦奇

IPC: G06Q10/04 ,  G06N3/04 ,  G06N3/08 ,  G06K9/62 ,  G06Q50/06

Abstract: 本发明公开了一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法。步骤1：对风电功率历史数据提取相关特征并形成样本集；步骤2：利用多层LSTM神经网络模型对样本集中短期预测风速数据进行修正；步骤3：对修正后的样本集数据进行归一化处理，并划分为训练集和测试集；步骤4：分别对三通道CNN‑LSTM神经网络初始化设置和TCN时间卷积网络初始化设置，利用训练集分别对两个网络进行训练；步骤5：将测试集分别输入两个神经网络模型，并利用加权平均方法进行模型融合，输出最终的预测结果；步骤6：按预定义的各种评价指标对预测结果进行评价。实验证明，本发明针对短期风电功率预测具有较高的准确度和鲁棒性。

公开(公告)号：CN112365040A

公开(公告)日：2021-02-12

申请号：CN202011208966.6

申请日：2020-11-03

Applicant: 哈尔滨工业大学

Inventor： 刘旭东 ,  王洪烨 ,  叶强 ,  陈莹 ,  姜梦奇

IPC: G06Q10/04 ,  G06N3/04 ,  G06N3/08 ,  G06K9/62 ,  G06Q50/06

Abstract: 本发明公开了一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法。步骤1：对风电功率历史数据提取相关特征并形成样本集；步骤2：利用多层LSTM神经网络模型对样本集中短期预测风速数据进行修正；步骤3：对修正后的样本集数据进行归一化处理，并划分为训练集和测试集；步骤4：分别对三通道CNN‑LSTM神经网络初始化设置和TCN时间卷积网络初始化设置，利用训练集分别对两个网络进行训练；步骤5：将测试集分别输入两个神经网络模型，并利用加权平均方法进行模型融合，输出最终的预测结果；步骤6：按预定义的各种评价指标对预测结果进行评价。实验证明，本发明针对短期风电功率预测具有较高的准确度和鲁棒性。