《电网技术》2017年第12期:3797-3802
研究背景
精确的风电功率短期和超短期预测有助于缓解电力系统调峰、调频压力,对于风电并网具有重大意义。为抓住风电功率时间序列的本质特征,进一步挖掘风电场中多种数据源提供的风电功率预测知识,运用LSTM网络进行风电功率超短期预测的想法应运而生。
解决的问题
ANN、SVM等机器学习预测方法通过大量历史数据建立输入、输出变量间的非线性关系,将动态时间建模问题变为静态空间建模问题。事实上,作为典型的时间序列,风电功率不仅具有非线性,且具有动态特性,即系统的输出不仅取决于当前时刻的输入,还与历史状态紧密相关。针对已有研究的不足,本文利用LSTM网络对风电功率时间序列的时序相关性进行建模,同时,计及影响风电功率的多种因素,建立了风电场发电功率的超短期预测模型,有效提高了预测精度。
重点内容及创新点
1、 提出了基于LSTM网络的风电场发电功率超短期预测模型,该模型能够从动态时间角度完成对风电功率时间序列的建模;
2、计及了影响风电场发电功率的多种气象因素,如风速、风向、温度、大气密度等。模型能够有效利用这些信息增强自身的外推能力。
结论
本文所提方法能够从时间序列的本质特征出发,完成对风电功率的动态时间建模。且能有效利用多种变量信息,增强模型的外推能力。算例结果表明,本文方法较ANN和SVM等常规机器学习预测方法具有更高的预测精度。
后续研究
现阶段,仅依靠历史数据的机器学习预测方法在预测精度上还存在提升的空间。结合数值天气预报(Numerical weather prediction, NWP)信息对模型的预测结果进行校正,将有助于进一步提高机器学习预测方法的精度,这也将成为我们下一步的研究目标。
扩展阅读
雷亚洲,王伟胜,印永华,等.风电对电力系统运行的价值分析[J].电网技术,2002,26(5):10-14.
吴俊利,张步涵,王魁.基于Adaboost的BP神经网络改进算法在短期风速预测中的应用[J].电网技术,2012,36(9):221-225.
张亚超,刘开培,秦亮,等.基于聚类经验模态分解-样本熵和优化极限学习机的风电功率多步区间预测[J].电网技术,2016,40(7):2045-2051.
王铮,Rui Pestana,冯双磊,等.基于加权系数动态修正的短期风电功率组合预测方法[J].电网技术,2017,41(2):500-507.
作者介绍
团队介绍
华中科技大学电力系统分析(Power System Analysis, PSA)研究团队目前拥有教授1人,副教授3人,研究生30余人。课题组多年来从事大规模电力系统分析与计算相关方面研究,培养了多名高级专门人才,发表国际及国内SCI/EI学术论文多篇。先后承担或参与了国家重大基础研究计划、国家高技术发展计划、国家科技支撑计划和国家自然科学基金等多项研究课题。部分研究成果获国家科技进步二等奖、湖北省科学技术进步一等奖、二等奖等。
领取专属 10元无门槛券
私享最新 技术干货