台风条件下海上风电场风速变化大、无明显周期性,这对海上风电场的风速预测造成了极大的困难。针对此问题,提出台风条件下海上风电场风速多步预测方法。首先,针对台风预报信息与风电场风速数据时间尺度不统一的问题,提出用嵌入层网络对...台风条件下海上风电场风速变化大、无明显周期性,这对海上风电场的风速预测造成了极大的困难。针对此问题,提出台风条件下海上风电场风速多步预测方法。首先,针对台风预报信息与风电场风速数据时间尺度不统一的问题,提出用嵌入层网络对台风预报信息进行动态插值。其次,基于Holland气压场模型和Batts梯度风模型构建融合物理信息的神经网络,将Holland模型和Batts模型中的经验参数替换成网络可学习的参数,并针对网络训练过程中可能出现的数值问题引入适当的近似方法。最后,对含时序模式注意力机制的长短期记忆网络(temporal pattern attention long short-term memory,TPA-LSTM)进行改进,嵌入融合物理信息的神经网络,利用近40年台风期间的数据进行训练和测试。结果表明,在引入较少参数的情况下,物理信息神经网络能减少TPA-LSTM网络的训练迭代次数以及提高预测精度,所提模型相比序列到序列(sequence to sequence,Seq2Seq)模型和TPA-LSTM网络具有更高的预测精度。展开更多
文摘台风条件下海上风电场风速变化大、无明显周期性,这对海上风电场的风速预测造成了极大的困难。针对此问题,提出台风条件下海上风电场风速多步预测方法。首先,针对台风预报信息与风电场风速数据时间尺度不统一的问题,提出用嵌入层网络对台风预报信息进行动态插值。其次,基于Holland气压场模型和Batts梯度风模型构建融合物理信息的神经网络,将Holland模型和Batts模型中的经验参数替换成网络可学习的参数,并针对网络训练过程中可能出现的数值问题引入适当的近似方法。最后,对含时序模式注意力机制的长短期记忆网络(temporal pattern attention long short-term memory,TPA-LSTM)进行改进,嵌入融合物理信息的神经网络,利用近40年台风期间的数据进行训练和测试。结果表明,在引入较少参数的情况下,物理信息神经网络能减少TPA-LSTM网络的训练迭代次数以及提高预测精度,所提模型相比序列到序列(sequence to sequence,Seq2Seq)模型和TPA-LSTM网络具有更高的预测精度。
