基于改进生成对抗网络样本扩充的TCN-LSTM短期风电功率预测

摘要

针对风能因随机性和波动性导致功率预测难度大，而传统方法在数据样本有限时难以充分挖掘数据潜在特征的问题，提出一种基于改进生成对抗网络样本扩充的TCN-LSTM(Temporal Convolutional Network-Long ShortTerm Memory)短期风电功率预测方法。首先，针对数据不足问题，提出时序动态最大均值差异(TD-MMD:Temporal Dynamic Maximum Mean Discrepancy )与Wasserstein距离双约束的TWGAN-GP(Temporal Dynamic Maximum Mean Discrepancy-Constrained Wasserstein Generative Adversarial Networks with Gradient Penalty)模型，生成高质量风电时序数据以扩充训练集;其次，构建TCN-LSTM预测模型，利用时间卷积网络(TCN:Temporal Convolutional Network)捕捉长期时序依赖，结合长短期记忆网络(LSTM:Long Short-Term Memory)提取动态特征，并通过霜冰优化算法(RIME:Rime Optimization Algorithm)优化超参数。实验算例分析表明，所提方法的预测精度显著优于对比模型。该方法有效解决了风电功率因随机性、波动性带来的预测难题，弥补了传统方法在小样本场景下特征挖掘能力不足的缺陷，为短期风电功率精准预测提供了可靠方案。

关键词

风力发电功率预测 / 生成对抗网络 / 时序动态最大均值差异 / 时间卷积网络 / 霜冰优化算法