基于改进的CNN-LSTM短期风功率预测的系统旋转备用经济性分析

为更准确地预测短期风功率,提出了一种新型短期风功率预测方法。首先采用Pearson相关系数法对风速、风向等影响因素序列与风功率序列进行相关性分析;其次,利用卷积神经网络(convolution neural network,CNN)对输入的时序序列进行特征提取;然后在长短期记忆(long short-term memory,LSTM)网络基础上新增一个遗忘门和一个输入门,形成具有多级门控的LSTM网络,并且结合CNN建立能够提高输入序列特征提取能力和预测精度的改进的CNN-LSTM短期风功率预测模型;最后,以甘肃省某风电场实测数据进行仿真分析,并将预测结果作为制定调度计划的依据,分析不同预测结果对系统运行成本的影响。仿真结果表明:相比LSTM模型与CNN-LSTM模型,采用所提模型进行预测所得结果的均方根误差分别减少63.9%和47.9%,平均绝对误差分别减少70.4%和53.5%,可在一定程度上提高风功率预测精度。采用该模型的风功率预测结果可以有效减少系统预留的旋转备用容量,降低系统运行成本,能够为调度计划的制定提供有力依据。

考虑高载能负荷参与的多时间尺度风电消纳调度

针对我国西北地区大规模风电消纳受阻问题,文中以甘肃某建有高载能企业的风电基地为研究对象,提出了考虑高载能负荷参与风电消纳的需求响应多时间尺度调度模型.文中首先分析了高载能负荷参与消纳受阻风电的原理,对不同调节特性的高载能负荷进行建模;然后,综合考虑高载能负荷和其他需求侧资源响应速度的多时间尺度特性,以运行成本与弃风总成本最低为目标,建立多时间尺度协调优化模型,对系统内资源的最优配置进行求解;最后,进行仿真分析.仿真结果表明:文中所提的模型能够有效提高系统消纳风电水平,改善系统经济性.