利用特征谱、扩张因果卷积以及Squeeze-Excitation ShuffleNet轻量级深度学习模型，预测区域风电场次日低功率输出事件

《IEEE Transactions on Power Systems》：Prediction of Day-Ahead Low-Power Output Events in Regional Wind Farms Using Feature Spectrums With Dilated Causal Convolution and Squeeze-Excitation ShuffleNet Lightweight Deep Learning

区域风场低功率输出事件预测方法研究。提出DCC与SE改进的ShuffleNet模型，通过特征谱转换与三种排列组合提升预测效果，在多个阈值下验证方法优于传统回归方法，召回率等指标分别提升17.52%、13.97%、20.78%、15.99%。

　　

摘要：

准确预测区域风电场的低功率输出事件对电力系统的电网调度至关重要。然而，传统的风力发电预测方法主要集中在提高整体预测准确性上，因此很少单独讨论风电场的低功率输出事件。本文提出了一种创新的预测方法，该方法利用特征谱和扩展因果卷积（DCC）以及改进版的ShuffleNet算法来预测区域风电场次日发生的低功率输出事件。首先，将时间序列区域特征转换为谱图像，并在特征创建和选择后引入了三种可能的特征排列方式。其次，提出了一种基于DCC-SE-ShuffleNet的轻量级深度学习神经网络作为低功率输出事件的预测模型；输入数据包括之前获得的谱图像，输出结果是一个分类序列，用于表示是否发生了低功率输出事件。最后，通过多个低功率输出事件阈值进行了案例研究以验证所提出方法的有效性。与传统基于回归的方法相比，该方法在召回率、准确率、关键成功率以及F1分数方面分别提高了17.52%、13.97%、20.78%和15.99%，从而证明了该方法的有效性和优越性。

缩写说明

准确率（Accuracy rate）。