基于CEEMD-CNN-GRU的风电功率预测

传统风电功率预测中预测模型难以充分提取风电场历史数据中的时空特性和隐藏特征,预测精度较低。针对此问题,提出一种基于CEEMD-CNN-GRU的风电功率预测模型。首先对不同的风电场景使用互补集合经验模态分解(CEEMD)对功率序列进行分解,降低风电功率序列的波动性;然后采用卷积神经网络(CNN)提取空间特征,采用门控循环单元(GRU)提取时间特征;最后完成风电功率预测,并将各个分解序列预测结果叠加得到最终预测结果。结果表明,设计的模型精度高,相比于CNN、GRU、CNN-GRU模型,均方根误差分别降低80.17%、77.07%和71.07%,风机分组且场景划分后相比于未进行风机分组和未进行场景划分,均方根误差分别降低78.63%和66.61%。

基于深度神经网络算法的风电功率短期预测模型

基于风力发电容易受到外界因素影响,导致输出功率呈现波动性,提出一种卷积神经网络(convolutional neural network,CNN)和门控递归单元(gated recursive unit,GRU)相结合的风电功率预测模型,预测风电功率有利于减少风电并网对电网稳定性造成的影响。使用主成分分析法(principal component analysis,PCA)对风电多维数据进行预处理,采用CNN自动获取预处理后数据的深层时空矩阵特征,结合GRU挖掘数据的时间序列特征,建立起基于CNN-GRU网络的短期风电功率预测模型。对黑龙江某风电场实测数据进行仿真分析,对比结果表明,设计的模型精度高,相比GRU和CNN,均方根误差分别减少了41%和17%。

基于优化的VMD-CNN-LSTM模型的光伏功率预测

针对变分模态分解(variational mode decomposition,VMD)用经验知识定义模态数、传统功率预测方法缺少对时序数据考虑等问题,提出一种基于优化VMD、联合卷积神经网络(convolutional neural network,CNN)-长短期记忆(long short-term-memory,LSTM)网络的组合预测模型。精度更高的光伏预测可以提高光伏并网的安全性、可靠性。通过布谷鸟搜索(cuckoo search,CS)算法优化VMD的主要参数,把光伏功率分解成若干趋于稳定的模态分量;随后将分解量送入联合CNN与LSTM的组合预测模型进行逐一预测并将功率预测值进行叠加评估,建立起基于CS-VMD-CNN-LSTM的光伏组合预测模型。以宁夏太阳山光伏电站的实测数据做仿真分析,结果表明,较遗传算法(genetic algorithm,GA)优化VMD等模型,该模型对预测光伏功率更具有效性,预测结果更优。