基于CEEMDAN-AsyHyperBand-MultiTCN的短期風(fēng)電功率預(yù)測

摘要：為減少風(fēng)電功率短期預(yù)測誤差，提高風(fēng)電利用效率，提出一種基于經(jīng)驗?zāi)B(tài)分解和異步超參數(shù)優(yōu)化的多層時間卷積網(wǎng)絡(luò)（CEEMDAN-AsyHyperBand-MultiTCN）的短期風(fēng)電功率預(yù)測方法。首先，確定序列分量的數(shù)量，并使用自適應(yīng)噪聲完備集合經(jīng)驗?zāi)B(tài)分解（CEEMDAN）對原始風(fēng)電功率進行分解，構(gòu)成訓(xùn)練數(shù)據(jù)集。其次，使用深度殘差級聯(lián)（DRnet）構(gòu)建多層的時間卷積網(wǎng)絡(luò)（TCN），并使用AsyHyperband算法對序列分量模型進行超參數(shù)尋優(yōu)。最后，對序列分量分別進行預(yù)測，重構(gòu)預(yù)測結(jié)果得到預(yù)測值。實驗表明，該文提出的方法相比于其他方法能有效降低風(fēng)電功率預(yù)測誤差。

關(guān)鍵詞：風(fēng)電功率；預(yù)測；神經(jīng)網(wǎng)絡(luò)；多層；集成經(jīng)驗?zāi)B(tài)分解；超參數(shù)搜索

中圖分類號：TM614文獻標志碼：A

0引言

風(fēng)電發(fā)電是綠色能源的重要組成部分，風(fēng)電功率的短期預(yù)測對于負荷調(diào)度、設(shè)備檢修和水火協(xié)調(diào)有重要作用1]。然而，風(fēng)力發(fā)電由于其高度不確定的特性而更難預(yù)測。

現(xiàn)有主要短期風(fēng)電預(yù)測模型從方法上大致可分為3類：物理方法、統(tǒng)計方法和人工神經(jīng)網(wǎng)絡(luò)的方法。物理方法通常建立在天氣系統(tǒng)上，但往往由于難以收集所有相關(guān)的地理或氣象數(shù)據(jù)，該方法通常適用于超過3 h的中期預(yù)測2]。統(tǒng)計方法依賴于歷史風(fēng)電數(shù)據(jù)的線性特征，然而其一般為非線性，一定程度上影響模型的準確性和通用性[3]。神經(jīng)網(wǎng)絡(luò)具有大量參數(shù)，并隨著存儲器和運算單元的改進，可有效表示功率的非線性和復(fù)雜特征，比物理或傳統(tǒng)統(tǒng)計方法具有更高的精度，故人工神經(jīng)網(wǎng)絡(luò)的預(yù)測方法得到廣泛應(yīng)用4。在神經(jīng)網(wǎng)絡(luò)預(yù)測模型中，基于長期保存數(shù)據(jù)的能力，使用長短期記憶網(wǎng)絡(luò)（long short term memory，LSTM）的存儲單元進行風(fēng)電功率預(yù)測得到廣泛應(yīng)用，但由于其結(jié)構(gòu)簡單，深度學(xué)習(xí)的益處未得到充分利用，而現(xiàn)有針對LSTM改進的一種方法是通過在模型中加入卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN），經(jīng)過實驗發(fā)現(xiàn)其性能得到一定程度的提高[5-6]。雙向長短期記憶網(wǎng)絡(luò)（bi-directional long short-term memory，Bi-LSTM）允許雙向訓(xùn)練來提高序列學(xué)習(xí)的性能，在風(fēng)電功率預(yù)測任務(wù)中比LSTM網(wǎng)絡(luò)實現(xiàn)了更高的預(yù)測精度[7]，而通過加入深度殘差級聯(lián)（deep concatenated residual network，DRnet），其預(yù)測精度有了一定提高[8]。時間卷積網(wǎng)絡(luò)使用多種技術(shù)手段例如膨脹卷積、時序卷積提高了時序預(yù)測性能9]，其在時序預(yù)測方面相比于其他網(wǎng)絡(luò)預(yù)測的精度較高，效果更好，現(xiàn)有的在其加入注意力機制[10]，預(yù)測精度得到進一步提升[11]。

考慮到風(fēng)電功率時序特性往往具有非平穩(wěn)、非線性，數(shù)據(jù)量也不夠大，故使用分解能在一定程度上增加數(shù)據(jù)量，減少序列的非線性。文獻[12]使用經(jīng)驗?zāi)B(tài)分解（empirical modedecomposition，EMD）對序列進行分解，模型使用最小二乘支持向量機（least squares support vector machine，LSSVM），但使用常規(guī)的EEMD分解會導(dǎo)致各分量模態(tài)混疊和分量誤差疊加，且使用統(tǒng)計方法的LSSVM模型在一定程度上相比于神經(jīng)網(wǎng)絡(luò)模型可能捕捉非線性的能力較差。文獻[10]提出使用自適應(yīng)噪聲完備集合經(jīng)驗?zāi)B(tài)分解（complete ensemble empiricalmode decomposition with adaptive noise，CEEMDAN），指定分解的分量數(shù)量減少了存在模態(tài)混疊現(xiàn)象，并使用時間注意力機制的時間卷積網(wǎng)絡(luò)（temporal convolutional network，TCN）模型對風(fēng)電功率進行預(yù)測，但單層TCN相比于多層TCN對于數(shù)據(jù)特征感知較弱，且針對子序列模型的超參數(shù)使用人工實驗的方法速度較慢。文獻[8]提出DRnet，并使用其堆疊多層長短期記憶網(wǎng)絡(luò)，相比于單層神經(jīng)網(wǎng)絡(luò)，其能更好地捕捉信息特征。文獻[13]使用AsyHyperBand對隨機森林的超參數(shù)進行優(yōu)化，相比于貝葉斯和隨機搜索，其搜索超參數(shù)時間少且準確度高。若能確定合適的分量數(shù)量、適當?shù)某瑓?shù)和合適的機器學(xué)習(xí)模型，則可進一步提高組合方法的預(yù)測效果[14。

本文在上述研究成果的基礎(chǔ)上，提出深度級聯(lián)的多層時間卷積網(wǎng)絡(luò)，并采用AsyHyperBand算法對使用CEEMDAN分解后的序列分量模型進行超參數(shù)優(yōu)化。實驗結(jié)果表明，本文提出的方法能有效捕捉非線性關(guān)聯(lián)，提高短期風(fēng)電功率的預(yù)測效果，并在峰值預(yù)測以及降低誤差方面有較大提升。

1原始功率信號的處理

1.1時間序列分解

CEEMDAN是以EMD分解為基礎(chǔ)，使用總體平均計算，自適應(yīng)添加高斯白噪聲來減少模態(tài)混疊，分解過程具有完整性、幾乎無重構(gòu)性誤差的特點[15]。其分解流程如下[101：

1）設(shè)原始信號為x（t），在原始信號中加入正態(tài)分布的高斯白噪聲，得到k次的預(yù)處理序列x：（t），如式（1）所示。

式中：ε——噪聲系數(shù)；δ，——第i次的噪聲。

2）使用EMD對輸入的序列進行分解，得到第1個EMD分解的分量，取均值作為分解后的信號分量，并計算殘余分量，如式（2）、式（3）所示。

式中：I？（t）——CEEMDAN分解后第1個信號分量（IMF）;Ii（t）——EMD分解后的信號分量；r？（t）——殘余分量。

3）和第2步類似，將第j個殘余分量加入相應(yīng)的高斯白噪聲后，繼續(xù)使用EMD對余量信號進行分解，得到分解的信號分量和殘余分量，如式（4）、式（5）所示。

式中：I;t）——CEEMDAN分解后的第j個分量；8j-1——噪聲系數(shù)；H-1——EMD分解后的分量；r;（t）——殘余分量。

4）重復(fù)上述步驟，直到極值點小于2或達到人為設(shè)定的分量數(shù)量，則分解結(jié)束。此時原始信號被分解為K個信號分量和1個殘余分量r（t），如式（6）所示。

式中：r（t）——余量信號；I;（1）——第i個信號分量。

1.2排列熵和重構(gòu)誤差

使用排列熵和平均絕對百分比誤差（mean absolutepercentageerror，MAPE）來進行分量數(shù)量的確定。其中排列熵描述了數(shù)據(jù)的模態(tài)混疊程度，若各子分量的排列熵越接近，說明模態(tài)混疊程度越大，具體計算公式參考文獻[10]，分解結(jié)果如式（7）所示。

式中：P;——第j種符號序列出現(xiàn)的概率。

使用MAPE表示各分解分量重構(gòu)的平均絕對百分誤差，具體公式如式（8）所示。

式中：N——分量的總數(shù)；y，——實際值；y——預(yù)測值。

2 CEEMDAN-AsyHyperBand-MultiTCN模型構(gòu)建

2.1時間卷積網(wǎng)絡(luò)

時間卷積網(wǎng)絡(luò)是在一維卷積網(wǎng)絡(luò)基礎(chǔ)上的改進，其核心是因果擴張網(wǎng)絡(luò)，可直接通過一系列的擴張卷積逐漸增加感受野，非常適合時序問題。擴張卷積如式（9）所示。

式中：F（s）——第s個神經(jīng)元擴張卷積后的輸出；k——卷積核的大小；f——過濾器；x ——輸入變量；d ——擴張系數(shù)。

使用卷積核為2，擴張系數(shù)為[1，2，4，8，…]的TCN模型如圖1。

2.2深度殘差級聯(lián)剩余網(wǎng)絡(luò)

通過堆疊深度神經(jīng)網(wǎng)絡(luò)能豐富特征層次，但堆疊神經(jīng)網(wǎng)絡(luò)可能會帶來梯度爆炸/消失、過擬合、退化問題，相比于使用池化或隨機丟棄數(shù)據(jù)的局限性，剩余學(xué)習(xí)由于其簡單得到廣泛引用[16。

在殘差的情況下，映射的表示方式為式（10）。

式中：H（x）——堆疊層期望映射；F（x）——純堆疊層輸出。

DRnet結(jié)合了多層殘差網(wǎng)絡(luò)和密集連接網(wǎng)絡(luò)優(yōu)點，不僅可激活多層次殘差網(wǎng)絡(luò)，也有助于密集連接網(wǎng)絡(luò)數(shù)據(jù)保存，學(xué)習(xí)效率高于其他剩余網(wǎng)絡(luò)[8]。對于具有堆疊層總計n層殘余網(wǎng)絡(luò)，輸出可表示如式（11）所示。

式中：J（x）——輸入x的1D CNN輸出；A[J（]——輸入為l卷積后的激活輸出。

在密集連接的卷積網(wǎng)絡(luò)情況下，第i個堆疊層的輸出H如式（12）所示：

式中：1l——串聯(lián)。

則在DRnet的第i個堆疊層G;如式（13）所示。

式中：y，——第i個堆疊層的輸入。

2.3改進的MultiTCN模型

為進一步提高預(yù)測能力，所提出的模型采用融合概念，模型的結(jié)構(gòu)具體如圖2。

模型由3種不同感受野的TCN構(gòu)成，其大小設(shè)置和數(shù)據(jù)特征有所關(guān)聯(lián)。采用感受野更大的TCN能有效捕捉高頻數(shù)據(jù)其長期、整體的特征，減小局部特征的影響，而較小的感受野能重點捕捉序列的局部變化特征，獲取低頻數(shù)據(jù)的變化趨勢[10]，使用大小不一的感受野TCN組成的融合網(wǎng)絡(luò)可綜合這兩種優(yōu)勢。網(wǎng)絡(luò)末端TCN3由大、小感受野不一的TCN1和TCN2決定，這與短期和長期不確定性對輸出的影響有關(guān)。因此，融合概念有助于模型更好地分析序列，改進預(yù)測的效果。

此外，使用注意力機制用于更進一步感受數(shù)據(jù)特征，并在各層使用縮放指數(shù)線性單元（scaled exponential linearunits，SELU）作為激活函數(shù)（activation function，Act），其不僅避免了線性整流函數(shù)（rectified linear unit，ReLU）的死亡問題，還提供了自歸一化特性[17-18]。設(shè)計中，SELU用于激活CNN層的功能，并在全連接層（fully connected layers，F(xiàn)C）作為與ReLU選擇。

最后對于預(yù)測的置信區(qū)間進行量化，其有助于電力系統(tǒng)的有效運行[19-201。其主要分為4步，分別為分類、高斯匹配、PI估計以及數(shù)據(jù)更新，具體參照文獻[8]。

2.4 AsyHyperBand超參數(shù)尋優(yōu)

AsyHyperBand在HyperBand基礎(chǔ)上添加了并行功能，其通過自適應(yīng)資源分配和早停技術(shù)對組超參數(shù)分配驗證，迭代找到一個最優(yōu)超參數(shù)組合，與貝葉斯優(yōu)化算法相比，其速度快，適應(yīng)范圍廣[21]。

2.5 CEEMDAN-AsyHyperBand-MultiTCN模型的構(gòu)建

CEEMDAN-AsyHyperBand-MultiTCN的基本思想是：出于風(fēng)電功率非線性、非平穩(wěn)的特點，首先使用CEEMDAN對其分解。此外，鑒于多層TCN網(wǎng)絡(luò)更能在序列上提取特征，但會帶來過擬合等問題，使用DRnet來構(gòu)建多層TCN網(wǎng)絡(luò)。最后，基于各分量的數(shù)據(jù)特征不相同，使用AsyHyperBand找到模型最優(yōu)參數(shù)，具體步驟如圖3，解釋如下：

1）將原始的風(fēng)電序列劃分訓(xùn)練集和測試集后使用CEEMDAN分解，根據(jù)排列熵和重構(gòu)誤差進行實驗確定分量的數(shù)量，將原始序列分解為指定數(shù)量的子分量和一個殘余分量。

2）構(gòu)建多層TCN模型，使用AsyHyperBand對分量模型的超參數(shù)進行尋找，并把獲得的最優(yōu)的超參數(shù)輸入各分量模型進行訓(xùn)練和預(yù)測，得到預(yù)測結(jié)果。

3）將分量的預(yù)測結(jié)果疊加，得到最終的預(yù)測值。

4）分析預(yù)測值和實際風(fēng)電功率的誤差。

3算例及結(jié)果分析

3.1數(shù)據(jù)介紹和評價指標

實驗數(shù)據(jù)選擇2019年貴州某風(fēng)電場的實際發(fā)電功率，分辨率為1 h，時間從1月1日00：00—12月31日23：00，共8761條數(shù)據(jù)，選擇6132條數(shù)據(jù)作為訓(xùn)練集，其余的作為測試集。并對其歸一化，歸一化公式見式（15）。

式中：xmn——最小值；xm——最大值。

其中風(fēng)電功率按照季節(jié)的歸一化發(fā)電功率曲線如圖4所示。從圖4可知，此風(fēng)電場的四季變化受季節(jié)性影響，春、冬兩季的總體發(fā)電功率大于其他季節(jié)。而從各季節(jié)的內(nèi)部來看，其季節(jié)特征不明顯，呈現(xiàn)了非線性和復(fù)雜性的特點。

使用平均絕對誤差（mean absolute error，MAE）和均方根誤差（root mean square error，RMSE）來評價模型，如式（16）、式（17）所示。

3.2風(fēng)電場風(fēng)電功率的數(shù)據(jù)處理與分析

使用CEEMDAN對歸一化的歷史功率信號進行分解，結(jié)果如圖5所示，可看出IMF？具有高頻特征，而IMF？具有低頻特性，故模型的超參數(shù)應(yīng)不同。CEEMDAN分解中，一般取0.01～0.50倍標準差和150～300次范圍內(nèi)的白噪聲得到的分解效果最好22]，本次實驗通過設(shè)定標準差選擇0.25，集合次數(shù)為150，以相對較小的重構(gòu)誤差和差距較大排列熵值為標準確定分量數(shù)量。

由表1和圖6可知，各分量在排列熵值4后接近，且分量數(shù)量為4的重構(gòu)誤差最小，故選擇重構(gòu)誤差最小，排列熵相差較大的分量數(shù)量4作為CEEMDAN分解數(shù)量。

3.3各序列分量的超參數(shù)尋找

使用AsyHyperBand算法對分量模型的超參數(shù)進行尋找，其中包括FC的A、卷積核大小k、剩余塊堆疊數(shù)nk以及擴張系數(shù)d等。其中FC的A在ReLU和SELU中選擇，卷積核大小和剩余塊堆疊數(shù)在1或3中選擇，TCN的擴張系準，軟件平臺使用Ray并行分布式框架，硬件使用了2塊內(nèi)存為16 GB的RTX2070SUPER顯卡，設(shè)置任務(wù)數(shù)為100，最大驗證時間為40s，停止審查時間400 s，超參數(shù)尋找結(jié)果如表2所示。

此外，以MAE小于0.006為停止條件，使用Random、粒子群優(yōu)化算法（particle swarm optimization，PSO）、HyperBand、AsyHyperband對本文提出模型進行10次超參數(shù)的尋找，其中PSO的迭代次數(shù)為100，粒子群數(shù)量為30，其余的算法參數(shù)設(shè)置類似，其迭代次數(shù)和平均花費時間在表3。由表3可知，雖然Random和AsyHyperband基本同時找到最優(yōu)參數(shù)，但從表現(xiàn)來看，Random的波動較大，且收斂較慢，而AsyHyperband相比于文中所提及的算法，其找到最優(yōu)參數(shù)的時間最小。

3.4風(fēng)電功率預(yù)測和分析

為驗證模型的性能，本文使用超參數(shù)優(yōu)化的CNN-LSTM（A）？]、Bi-LSTM-DRnet（B）[8]、TCN-Attention（C）[1]、MultiTCN（D）、CEEMDAN-AsyHyperBand-CNN-LSMT（I）、CEEMDAN-AsyHyperBand-Bi-LSMT-DRnet （J）、CEEMDAN-AsyHyperBand-TCN-Attention（K）、CEEMDAN-AsyHyperBand-MultiTCN（L）模型和未對分量模型優(yōu)化的CEEMDAN-CNN-LSTM（E）[23]、CEEMDAN-Bi-LSTM-DRnet（F）、CEEMDAN-TCN-Attention（G）[10]、CEEMDAN-MultiTCN（H）共12種模型進行不同時間步長以及峰值預(yù)測的對比實驗，此外還分析了各模型多步滾動預(yù)測的效果，滾動預(yù)測采用時間步長為4填充歷史數(shù)據(jù)進行多步預(yù)測。實驗平臺為TensorFlow2.6，優(yōu)化器均為Adam，均使用學(xué)習(xí)率遞減方式訓(xùn)練。

從圖7b、圖7d、圖7f可看出，本文方法和模型在不同時間步長相比于所對比的方法均有提升，但在時間步長為1時所有的模型提升不高，原因可能由于時間分辨率太小。通過

圖7a、圖7c、圖7e可看出，所使用的方法和其他方法相比對于峰值具有更好的效果，而功率峰谷值及其變化的準確預(yù)測有利于電力設(shè)備的充分利用。

由表4可知，以時間步長為4的單步預(yù)測結(jié)果為例，可直觀地看出相比于CNN-LSTM、Bi-LSTM-DRnet、TCN-Attention，本文提出的模型有效降低誤差，其MAE減少的百分比為18.19%、11.213%和8.25%;通過CEEMDAN分解，各模型的誤差有了更一步的降低，相比于LSTM-CNN、Bi-LSTM-DRnet、

TCN-Attention，分解重構(gòu)后預(yù)測的MAE分別減少的百分比為44.41%、62.41%、65.33%、49.23%;分量模型的超參數(shù)對于減少重構(gòu)造成的累積誤差有著重要作用，在1、2、4多步預(yù)測中，分量模型尋找超參數(shù)后重構(gòu)的MAE分別減少的百分比分別為46.88%、50.96%和52.90%;而通過整合上述全流程，其誤差達到最小，相比于其他分解重構(gòu)的方法，在單步預(yù)測中本文MAE減少的百分比分別為48.63%、24.10%、

4結(jié)論

本文針對時間序列的風(fēng)電功率預(yù)測，提出一種基于CEEMDAN-AsyHyperBand-MultiTCN的短期風(fēng)電功率預(yù)測方法。

1）通過確定子分量數(shù)量對CEEMDAN進行分解，降低了風(fēng)電功率非線性、復(fù)雜性對風(fēng)電功率預(yù)測的難度。

2）使用深度殘差級聯(lián)剩余學(xué)習(xí)堆疊時間卷積網(wǎng)絡(luò)和識別風(fēng)電功率的數(shù)據(jù)特征，一方面減少了網(wǎng)絡(luò)堆疊帶來的過擬合問題，另一方面能更好識別數(shù)據(jù)特征。

3）使用Asyhperband對超參數(shù)尋優(yōu)，進行子分量的網(wǎng)絡(luò)結(jié)構(gòu)或訓(xùn)練參數(shù)的修改，提高了網(wǎng)絡(luò)精度，減少超參數(shù)的尋找時間。

所提出的方法經(jīng)過仿真發(fā)現(xiàn)，能一定程度提高風(fēng)電功率的預(yù)測精度，并一定程度上提高了峰值預(yù)測的效果。

[參考文獻]

[1]唐新姿，顧能偉，黃軒晴，等.風(fēng)電功率短期預(yù)測技術(shù)研究進展[J].機械工程學(xué)報，2022，58（12）：213-236

TANGXZ，GU NW，HUANG XQ，etal.Progressonshort term wind power forecasting technology [J].Journalof mechanical engineering，2022，58（12）：213-236

[2]AZIZ EZZAT A.Turbine-specific short-term wind speedforecasting considering within-farm wind fielddependencies and fluctuations[J].Applied energy，2020，269：115034.

[3]HU Y X，CHEN L.A nonlinear hybrid wind speedforecasting model using LSTM network，hystereticELMand differential evolution algorithm[J].Energy conversionand management，2018，173：123-142.

[4]CATAL？O JPS，POUSINHO HMI，MENDES V M F.Short-term wind power forecasting in Portugal by neuralnetworks and wavelet transform [J].Renewable energy，2011，36（4）：1245-1251.

[5]WU QY，GUAN F，LYU C，etal.Ultra-short-term multi-step wind power forecasting based on CNN-LSTM[J].IETrenewable power generation，2021，15（5）：1019-1029.

[6]AGGA A，ABBOU A，LABBADI M，etal.CNN-LSTM：an efficient hybrid deep learning architecture for predictingshort-term photovoltaic power production [J].Electricpower systems research，2022，208：107908.

[7] JAHANGIR H，TAYARANI H，GOUGHERI S S，etal.Deep learning-based forecasting approach in smart gridswithmicroclustering and bidirectional LSTM network [J].IEEE transactions on industrial electronics，2021，68（9）：8298-8309.

[8]KO M S，LEE K，KIM JK，etal.Deepconcatenatedresidual network with bidirectional LSTM for one-hour-ahead wind power forecasting [C]//2022 IEEE Power amp;Energy Society General Meeting（PESGM）.Denver，CO，USA，2022：1.

[9]HU JM，LUO QX，TANG JW，etal.Conformalizedtemporal convolutional quantile regression networks forwind power interval forecasting [J].Energy，2022，248：123497.

[10]趙凌云，劉友波，沈曉東，等.基于CEEMDAN和改進時間卷積網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測模型[J].電力系統(tǒng)保護與控制，2022，50（1）：42-50.

ZHAO LY，LIU Y B，SHEN X D，etal.Short-term windpower prediction model based on CEEMDAN and animproved time convolutional network [J].Power systemprotection and control，2022，50（1）：42-50

[11]FAN J，ZHANG K，HUANG Y P，etal.Parallelspatio-temporal attention-based TCN for multivariate time seriesprediction[J].Neural computing and applications，2023，35（18）：13109-13118.

[12]謝麗蓉，王斌，包洪印，等.基于EEMD-WOA-LSSVM的超短期風(fēng)電功率預(yù)測[J].太陽能學(xué)報，2021，42（7）：290-296.

XIE L R，WANG B，BAO H Y，etal.Super-short-termwind power forecasting based on EEMD-WOA-LSSVM[J].Acta energiaesolaris sinica，2021，42（7）：290-296

[13]莊躍生，林珊玲，林志賢，等.生成對抗網(wǎng)絡(luò)在數(shù)據(jù)異常檢測中的研究[J].計算機工程與應(yīng)用，2022，58（4）：143-149.

ZHUANG Y S，LIN S L，LIN Z X，etal.Studyongenerative adversarial network for data anomaly detection[J].omputer engineering and applications，2022，58（4）：143-149.

[14]張亞剛，趙云鵬，王思祺.基于EVMD和布谷鳥算法的短期風(fēng)功率區(qū)間預(yù)測[J].太陽能學(xué)報，2022，43（8）：292-299.

ZHANG Y G，ZHAO Y P，WANG S Q.Short term windpower interval prediction based on EVMD and cuckooalgorithm [J].Acta energiaesolaris sinica，2022，43（8）：292-299.

[15]舒暢，金瀟，李自品，等.基于CEEMDAN的配電變壓器放電故障噪聲診斷方法[J].高電壓技術(shù)，2018，44（8）：2603-2611.

SHU C，JIN X，LI Z P，etal.Noise diagnosis method ofdistribution transformer discharge fault based onCEEMDAN [J].High voltage engineering，2018，44（8）：2603-2611.

[16]SZEGEDY C，IOFFE S，VANHOUCKE V，et al.Inception-v4，inception-ResNet and the impact of residualconnections on learning [C]//Proceedings of the AAAIConference on Artificial Intelligence.San Francisco，USA，2017：4278-4284.

[17]NWANKPA C，IJOMAH W，GACHAGAN A，etal.Activationfunctions：comparison of trends in practice andresearch for deep learning[EB/OL].2018：arXiv：1811.03378.http：//arxiv.org/abs/1811.03378.PDF.

[18]PEDAMONTID.Comparison of non-linear activationfunctions for deep neural networks on MNIST classificationtask[EB/OL].2018：arXiv：1804.02763.http：//arxiv.org/abs/1804.02763.PDF.

[19]BRUNINX K，DELARUE E.A statistical description ofthe error on wind power forecasts for probabilistic reservesizing[J].IEEE transactions on sustainable energy，2014，5（3）：995-1002.

[20]WAN C，XU Z，PINSON P，etal.Probabilisticforecasting of wind power generation using extremelearning machine[J].IEEE transactions on powersystems，2014，29（3）：1033-1044.

[21]蔣云良，趙康，曹軍杰，等.基于種群演化的超參數(shù)異步并行搜索[J].控制與決策，2021，36（8）：1825-1833.

JIANG Y L，ZHAO K，CAO J J，etal.Asynchronousparallel hyperparameter search with population evolution[J].Control and decision，2021，36（8）：1825-1833.

[22]程啟明，陳路，程尹曼，等.基于EEMD和LS-SVM模型的風(fēng)電功率短期預(yù)測方法[J].電力自動化設(shè)備，2018，38（5）：27-35.

CHENG QM，CHEN L，CHENG Y M，etal.Short-termwind power forecasting method based on EEMD and LS-SVM model [J].Electric power automation equipment，2018，38（5）：27-35.

[23]GAO B X，HUANG X Q，SHI J S，etal.Hourlyforecasting of solar irradiance based on CEEMDAN andmulti-strategy CNN-LSTM neural networks[J].Renewableenergy，2020，162：1665-1683.

SHORT-TERM WIND POWER PREDICTION BASED ONCEEMDAN-AsyHyperBand-MultiTCN

Liu Fan，LiHandong，Qin Tao

（College of Electrical Engineering，GuizhouUniversity，Guiyang 550025，China）

Abstract：In order to improve the utilization ficiency and accuracy of short-term wind power，this paper proposes a method based oncomplete ensemble empirical mode decomposition with adaptive noise and multi-layer temporal convolution networks（CEEMDAN-AsyHyperBand-MultiTCN）.Firstly，determine the number of sequence components，and then decompose the time series of wind poweras training dataset using CEEMDAN.Secondly，apply the Deep Residual Cascade （DRnet）to build a multi-layer TemporalConvolutional Networks （TCN）model for each component，and the AsyHyperband algorithm is used to optimize the hyperparameters forthe components model.Finally，the final prediction result is obtained after reconstructing the prediction results of each componentmodel.The experimental results show that the proposed method can effectively reduce the wind power prediction error compared withother methods.

Keywords：windpower;forecasting;neuralnetworks;multilayers;complete ensemble empirical mode decomposition with adaptivenoise;hyperparameter search