公开(公告)号：CN114861533B

公开(公告)日：2024-11-08

申请号：CN202210447856.8

申请日：2022-04-26

Applicant: 东南大学

Inventor： 邓艾东 ,  刘洋 ,  姜锂 ,  秦雪妮 ,  邓敏强 ,  张顺 ,  徐硕 ,  丁雪

IPC: G06F30/27 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/08 ,  G06F113/06 ,  G06F119/06

Abstract: 本发明涉及一种基于时间卷积网络的风功率超短期预测方法，包括以下步骤：采集一定时间段内的实际发电功率数据，对数据进行预处理；将处理好的数据切分样本，划分为训练集、验证集和测试集；将训练集和验证集输入TCN‑CCA网络进行模型训练；TCN‑CCA网络由时间卷积网络和通道卷积注意力模块构成，通道卷积注意力模块设置在最后一个时间卷积模块与全连接层之间，通过计算注意力的概率分布对时间维度上的关键性输入特征分配更多的权重；将测试集输入到训练好的TCN‑CCA网络得到风功率超短期预测值。本发明实现了时间序列数据特征的自动提取特征，应用于风功率超短期预测任务，准确率更高、训练的参数较少、训练稳定。

公开(公告)号：CN114861533A

公开(公告)日：2022-08-05

申请号：CN202210447856.8

申请日：2022-04-26

Applicant: 东南大学

Inventor： 邓艾东 ,  刘洋 ,  姜锂 ,  秦雪妮 ,  邓敏强 ,  张顺 ,  徐硕 ,  丁雪

IPC: G06F30/27 ,  G06N3/04 ,  G06N3/08 ,  G06F113/06 ,  G06F119/06

Abstract: 本发明涉及一种基于时间卷积网络的风功率超短期预测方法，包括以下步骤：采集一定时间段内的实际发电功率数据，对数据进行预处理；将处理好的数据切分样本，划分为训练集、验证集和测试集；将训练集和验证集输入TCN‑CCA网络进行模型训练；TCN‑CCA网络由时间卷积网络和通道卷积注意力模块构成，通道卷积注意力模块设置在最后一个时间卷积模块与全连接层之间，通过计算注意力的概率分布对时间维度上的关键性输入特征分配更多的权重；将测试集输入到训练好的TCN‑CCA网络得到风功率超短期预测值。本发明实现了时间序列数据特征的自动提取特征，应用于风功率超短期预测任务，准确率更高、训练的参数较少、训练稳定。