(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111366220.2 (22)申请日 2021.11.18 (71)申请人 国家电网有限公司 地址 100033 北京市西城区西长安 街86号 申请人 国网吉林省电力有限公司白山供电 公司　 东北电力大 学 (72)发明人 王婧楠　李昊林　张瑞清　姜磊　 郭浩天　连想　赵豪强　胡肖瑞　 卢扬　吕昆　刘明　 (74)专利代理 机构 通化旺维专利商标事务所有 限公司 2 2205 代理人 王伟 (51)Int.Cl. G06F 30/27(2020.01)G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/08(2020.01) G06F 113/06(2020.01) G06F 119/06(2020.01) (54)发明名称 一种基于TCN-GRU联合模型的风电功率 短期 预测方法 (57)摘要 本发明公开了一种基于TCN ‑GRU联合模型的 风电功率短期预测方法， 所述方法包括： 选取风 电场及单风机两种场景的风速及风电功率时序， 构造风速 ‑风电功率平行数据集， 按照风速分布 分为三段， 利用孤立森 林聚类方法筛查各段相应 时序数据异常值； 对预处理后的正常时序数据， 采用TCN提取风电功率时间序列的顺序特征以及 单维单向空间特征， 利用GRU二次提取风电功率 序列的顺序特征， 二模型与预测器联合训练。 本 发明可以有效提升实际风电场场时序数据预测 精度， 提高了模 型对于风电剧烈波动时序特征的 挖掘能力； 将这种单维时空神经网络用于处理风 机单维时序波动数据， 可 以得出精确、 有效的风 电场内单维时序预测效果。 权利要求书4页 说明书10页 附图4页 CN 114330094 A 2022.04.12 CN 114330094 A 1.一种基于TCN ‑GRU联合模型的风电功率短期预测方法， 其特 征在于， 所述方法包括： 选取风电场内不同场景下的风速及风电功率时序数据， 按照风速分布分为三段： 高风 速区、 中风速区及低风速区， 对某各段内相应的数据点利用孤立森林聚类算法进行异常值 检测与剔除处 理； 对预处理后的数据， 采用TCN对单维风电功率数据进行顺序及单维空间特征提取， 利用 GRU对功率数据进行顺序特 征的二次提取； 将提取后的关键特征后接预测器， TCN ‑GRU与预测器联合训练， 网络各组分的特征空间 将更倾向于自回归的表达方式。 2.根据权利 要求1所述的一种基于TCN ‑GRU联合模型的风电功率短期预测方法， 其特征 在于， 所述选取风电场内不同场景下的风速 ‑功率平行数据集， 对分区间后某区间内相应的 数据点进行异常值检测与剔除处 理方式具体为： 选取单风机或风电场对应风速及风电功率， 构造平行数据集， 按照风速高低分布分为 高、 中、 低三种风速区间， 分别投射至二维平面， 结合风速 ‑功率标准曲线， 利用孤立森林聚 类， 分别调整超参数以确定最优决策边界， 所面向的数据应包 含以下几点特 征： 1） 异常数据与总样本间比例较小； 2） 异常点与正常值特 征值之间的差异较大； 孤立森林风电功率异常值检测算法原理如下： 给定d维特征风电样本数据X={x1, ……,xn}， 随机选择属性q及分隔值p循环划分样本， 同时增加树高度， 当过程中满足以下三个条件时， 即停止划分： 1） 树高度达 到极限； 2） |X|=1时； 3） 样本X中所有数据数值均相同； 假设所有风电场样本元素x各不相同， 当孤立树全增长时， 每个实例均被孤立至外部节 点， 此时外部节 点数目为n， 内部节 点数目为n ‑1； 内存需求有界， 随n线性增长； 现定义 实例x 的异常分数S （x， n） 如式 （1） ； 其中h(x)为样本路径， E(h(x))为样本x在一群孤立树中的路径长度期望， 式(2)中c(n) 为BST中搜索失败的平均路径长度； 关于检测异常样本的方法， 相关判据如下： 1） 如果样本返回 s值十分接 近1， 则可将其归类为异常样本； 2） 若s远远小于0.5， 则可视其 为正常实例； 3） 若所有样本返回 s≈0.5， 则样本整体无明显异常； 算法将决策边界内数据归为正常值， 其外则 视为异常， 同时分离二者， 处理为实验可用 数据； 计及风电功率及风速耦合关系， 在二者构成的特征空间内， 利用孤立森林随机分割数 据集， 构建 并融合多个子检测器， 对连续数据利用超平面进 行随机循环分割， 查找路径较短权　利　要　求　书 1/4 页 2 CN 114330094 A 2的数据点， 即分布稀疏且距离高密度群体较远的孤立点， 并将其归类为异常值； 不断优化模 型检测能力， 最终完成风电功率时序数据异常值筛查； 对异常值筛查后的数据， 进行 标准化处理， 将时序数据缩放至[0,1]之间： 式中，x为原始数据点， x’即为数据归一化状态； Min(x)表示序列最小值， Max(x)表示序 列最大值； 喂入 模型的时序数据均由 x’构成。 3.根据权利 要求1所述的一种基于TCN ‑GRU联合模型的风电功率短期预测方法， 其特征 在于， 所述模型中， TCN组件 对时序数据进行 首次特征提取， 具体为： 利用残差块结构降低网络梯度消失的可能性， 其中包括： 残差结构下的膨胀卷积与因 果卷积， Dropout机制， 激活函数以及权值规范化机制； 其中， 残差结构、 因果卷积与膨胀卷 积为TCN的关键特 征， 具体如下： 1） 因果卷积:时间序列的前后元素往往具备较强的因果关系； 在预测过程中， 该问题本 身也不允许出现数据泄露问题； 欲使卷积结构与时序预测问题相适配， 需对与卷积方式进 行改进， 对模型进行时间条件的约束； 故而引入单向的因果卷积； 因果卷积实现了如下功 能： 对于前层t时刻元素数值， 只受后层 t时刻及其之前的元素数值影响， 而与未来的数据无 关； 该类卷积操作能够使模型在时序预测任务中避免数据泄露问题， 符合时序预测的基本 规则； 2） 膨胀卷积:传统CNN的卷积核大小有限， 不适用于捕捉元素间长程依赖关系； CNN往往 需要通过层数 的不断堆叠来弥补这一问题， 而层数 的增加往往会造成计算量的提升， 甚至 有时会出现梯度消失问题， 造成网络结构训练难度极大； 引入膨胀卷积往往能够避免上述 问题； 膨胀卷积 令输入端能够被间隔采样， 感受野 大小也会随层数而加倍增长； 该模型的逐 层采样率由 d决定； 膨胀卷积可表示 为 （4） ， 3） 残差连接:在训练过程中， 通常要考虑到降低训练深层网络的难度； 加入残差连接结 构往往是降低训练难度的高效方式； 残差连接使信息能够跨层传递； 残差块运算方式如 （5） ， 其中x∈Rn， F （·） 表示膨胀卷积， Activati on （·） 表示激活函数； 。 4.根据权利要求1所述的一种基于TCN ‑GRU方法， 其特征在于， 所述对TCN提取后的特征 向量的二次提取 方式， 以GRU结构为核心， 具体为： 不引入额外的记忆单元， 仅包含重置门与更新门， 仅利用一个门控制记忆与遗忘； GRU 具备比LSTM更少的参数， 在训练时所需要的计算 量通常更小；权　利　要　求　书 2/4 页 3 CN 114330094 A 3