基于格拉姆角场与改进CNN-ResNet的风电功率预测方法

风电输出功率的不确定性给电力系统的调度带来了较大的困难,因此准确地预测风电功率变化显得尤为重要。受近些年图像处理蓬勃发展的影响,若将时间序列编码为二维图像,能够让神经网络从“视觉上”对数据进行识别和学习,一定程度上能提高分类和计算方法的准确度。因此,提出了一种基于格拉姆角场(Gramian angular fields,GAF)与卷积神经网络–残差网络(convolutional neural network-residual neural network,CNN-Res Net)的预测风电功率的方法。首先,利用GAF将一维历史风电功率数据转换为二维图像,经过CNN提取时间序列的相关性和特征,再利用Res Net提取与风电功率相关的其他相关数据的特征,在增加网络深度的同时解决退化问题,以提高预测的准确度。然后,将两种网络融合,构建双输入网络结构。最后,将该方法应用在宁夏麻黄山第一风电场和西班牙加利西亚风电场数据集上,通过与Res Net、CNN-MLP(muti-layer perception)、门控循环单元、反向传播算法、长短期记忆网络和Bi LSTM(bi-directional long-short term memory)网络模型相比,所提出的GAF与改进CNN-Res Net的预测方法误差更小、预测准确度更高,从而为风电功率预测提供了新思路。