技术领域
[0001] 本
发明涉及一种基于TCN的风电预测误差区间评估方法，属于电
力系统控制技术领域。
背景技术
[0002] 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。
[0003] 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。
[0004] 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。
发明内容
[0005] 为了克服上述
现有技术的不足之处，本发明提供一种基于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。
[0006] 本发明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：
[0007] 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；
[0008] 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；
[0009] 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；
[0010] 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；
[0011] 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。
[0012] 所述步骤2中包含以下具体步骤：
[0013] 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：
[0014]
[0015] 步骤2.2：扩张卷积输出的一系列Ml特征图为：
[0016]
[0017] 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；
[0018] 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：
[0019] o＝Activation(x+F(x))。
[0020] 所述步骤3中包含以下具体步骤：
[0021] 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；
[0022] 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；
[0023] 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；
[0024] 步骤3.4：使用1×1的卷积去预测风电功率误差。
[0025] 本发明的有益效果是：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。
[0026] 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。
[0027] 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。
[0028] 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
[0029] 下面根据附图和
实施例对本发明进一步说明。
[0030] 图1是本发明的因果卷积网络结构图；
[0031] 图2是本发明的扩张因果卷积图；
[0032] 图3是本发明的残差模块图；
[0033] 图4是本发明的TCN的结构图；
[0034] 图5是本发明的不同方法误差预测对比图；
[0035] 图6是本发明的T分布误差评估结果；
[0036] 图7是本发明的TCN误差评估结果。
具体实施方式
[0037] 如图1到图7所示的一种基于TCN的风电预测误差区间评估方法，以美国NREL公司的风电功率实际数据为例，包括以下步骤：
[0038] 步骤1：获取风电功率原始数据P(t)并归一化，将其划分为训练集和测试集；
[0039] 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，具体步骤如下：
[0040] 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：
[0041]
[0042] 步骤2.2：扩张卷积输出的一系列Ml特征图为：
[0043]
[0044] 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；
[0045] 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：
[0046] o＝Activation(x+F(x))。
[0047] 通过以上步骤，得到的TCN误差预测的结果如图5所示。
[0048] 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；
[0049] 所述步骤3中包含以下具体步骤：
[0050] 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；
[0051] 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；
[0052] 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；
[0053] 步骤3.4：使用1×1的卷积去预测风电功率误差。
[0054] 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；
[0055] 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。
[0056] 来自NREL的2012年风电数据用于验证该方法的性能。分为4个季节。地点ID为66392。
[0057] 从下表可以看出，在所有的季节，和其他的方法对比，TCN都得到了最好的结果。BP神经网络的效果最差，这就意味着BP没有建立预测误差映射的能力。对所有的方法，冬天的结果最差，这可能是由于风速的强烈不确定性和随机性。
[0058] TCN LSTM BP
春 1.86 59.27 69.61
夏 1.07 75.3 74.91
秋 0.86 34.24 84.73
冬 2.46 9.8 216.08
[0059] T分布和高斯分布90％置信区间见下表。TCN区间范围是MAE乘1.1。下表中还列出了实际输出功率超出误差区间范围或90％置信区间的百分比(以下称为误判百分比)。
[0060] 对于春季和冬季的数据预测误差，不能获得适当的T概率分布函数。因此，估计结果未在表中列出。
[0061] 从表中可以看出，TCN的误判率范围为0.2％至12.8％，而基于T分布或高斯分布的误差估计方法的误判率均大于10％。可以通过TCN更加精确地估计预测误差，与使用各种概率密度分布方法相比，实际输出功率很有可能在误差估计范围内。此外，TCN的总体误差区间范围也很小。特别是在夏季，TCN的区间宽度为0.242+0.242＝0.484MW，而T分布的区间宽度为0.611+0.912＝1.523MW，高斯分布的区间宽度为0.444+0.886＝1.33MW。预测误差的小宽度区间范围意味着实际输出风电功率会在小范围内
波动，而且风电对电网的不确定性不高。
[0062]
[0063] 本发明依靠TCN的学习能力，使用实时风电功率的误差进行误差评估。由于考虑了实时信息，因此与基于概率密度函数的误差方法相比，TCN可以高精度地预测误差。同时，预测误差的宽度也很小，从某种程度上来说可以抵消电网的不确定。
[0064] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明的前提下，还可以做出若干改进和润饰，这些改进和润饰也应实为本发明的保护范围。
