研究表明，气候变化会影响不同天气条件下的风电功率预测。从理论上讲，使用基于统计的预测模型来准确预测风电输出和天气变化是很困难的。在实践中，传统的机器学习模型可以进行长期风电功率预测，平均绝对百分比误差（MAPE）在 10% 到 17% 之间，这不符合我们可再生能源项目的工程要求。深度学习网络 (DLN) 已被用于使用多层神经卷积架构和梯度下降算法来获得气象特征与发电之间的相关性，以最大限度地减少估计误差。这在风电功率预测领域具有广泛的适用性。所以，本研究旨在通过使用 DLN 的时间卷积网络 (TCN) 算法对 MAPE 小于 10% 的风功率进行长期（提前 24-72 小时）预测。在我们的实验中，我们使用历史天气数据和来自土耳其 Scada 风力发电厂的风力涡轮机的发电输出进行了 TCN 模型预训练。实验结果表明，72 小时风电功率预测的 MAPE 为 5.13%，这在我们项目的约束范围内是足够的。最后，我们比较了四种基于 DLN 的功率预测预测模型的性能，即 TCN、长短期记忆 (LSTM)、循环神经网络 (RNN) 和门控循环单元 (GRU) 模型。我们验证了 TCN 在数据输入量、减少误差的稳定性、



"点击查看英文标题和摘要"