一种基于WICNN与TPA-LSTM的月尺度风电功率预测方法

本发明公开一种基于WICNN与TPA‑LSTM的月尺度风电功率预测方法，针对输入气象数据与历史功率数据存在质量波动问题，对风电场数据进行小波分解，根据不同频率自适应选择阈值进行去噪处理，提高数据质量；将上一步数据输入小波集成卷积神经网络WICNN，通过时域和频域双通道卷积运算提取数据的时域和频域特征；引入时间模式注意力机制TPA对LSTM隐藏层进行优化，得到TPA‑LSTM预测模型；将提取的时域和频域特征输入TPA‑LSTM预测模型中训练，训练后得到最终TPA‑LSTM预测模型，将气象数据输入最终TPA‑LSTM预测模型进行预测，得到最终的月尺度风电功率预测结果。本发明将提取的特征信息输入TPA‑LSTM预测模型，充分捕捉月尺度风电时间序列中的重要模式和特征，有效提高了月尺度的风电功率预测精度。