基于循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)電場功率超短期和短期預(yù)測.pdf

1、風(fēng)能是一種環(huán)境友好無污染的可再生能源，是未來能源的主要形式之一。然而，由于風(fēng)能具有天然的隨機(jī)性和間歇性，風(fēng)電輸出功率不穩(wěn)定且難以控制，大規(guī)模風(fēng)電并網(wǎng)對電力系統(tǒng)的優(yōu)化運(yùn)行、控制等諸多方面提出了嚴(yán)峻的挑戰(zhàn)。因此，迫切需要研究風(fēng)電場功率預(yù)測方法，以提高風(fēng)電場功率的預(yù)測精度，為含風(fēng)電并網(wǎng)電力系統(tǒng)的優(yōu)化運(yùn)行等提供參考。為此，本文圍繞風(fēng)電場功率預(yù)測方法，主要進(jìn)行了以下研究工作：
　　風(fēng)電場歷史功率數(shù)據(jù)因數(shù)據(jù)傳輸錯誤等因素影響，會存在異常數(shù)據(jù)，

2、影響風(fēng)電場功率預(yù)測精度。為此，提出基于加權(quán)k最臨近（k-Nearest Neighbor，kNN）距離的風(fēng)電場功率異常數(shù)據(jù)辨識及修正模型。該辨識模型應(yīng)用加權(quán)kNN距離定義數(shù)據(jù)點的離群程度以辨識異常數(shù)據(jù)；修正模型通過取離異常點風(fēng)速值最臨近 k個點的功率平均值作為修正值，避免了直接刪除異常數(shù)據(jù)對原始數(shù)據(jù)完整性和時序性的破壞?；谖靼嘌滥筹L(fēng)電場的算例分析表明：該方法可辨識出4.2%的異常功率數(shù)據(jù)并進(jìn)行修正，驗證了辨識模型和修正模型的正確性與有

3、效性。
　　風(fēng)電功率受風(fēng)速、風(fēng)向、氣壓等諸多氣象因素影響，降低預(yù)測模型輸入特征維度、挖掘預(yù)測輸出間的時序性及相關(guān)性，可提高風(fēng)電功率預(yù)測模型的預(yù)測精度。為此，提出基于條件互信息的輸入特征降維方法，建立基于循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)電場功率超短期預(yù)測模型。首先，采用歷史功率和氣象信息作為原始輸入特征，基于條件互信息方法從中選取能為功率預(yù)測提供有用信息的特征，以去除冗余，降低預(yù)測模型輸入特征維度。然后，以降維后的特征為輸入，基于循環(huán)神經(jīng)網(wǎng)絡(luò)建立風(fēng)

4、電場功率超短期預(yù)測模型，預(yù)測未來2小時功率值?；诿苄輧?nèi)某風(fēng)電場數(shù)據(jù)的算例分析表明：該模型從原始252個輸入特征中選取72個作為關(guān)鍵特征；同時，循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測模型與BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型相比預(yù)測精度提高9.33%。
　　為了拓展預(yù)測模型的預(yù)測時長，進(jìn)一步提高預(yù)測精度并加快預(yù)測模型的訓(xùn)練速度，以數(shù)值天氣預(yù)報（Numerical Weather Prediction，NWP）數(shù)據(jù)為輸入，基于譜聚類方法和循環(huán)神經(jīng)網(wǎng)絡(luò)建立風(fēng)電場短期功