基于时间模式注意力机制的BiLSTM多风电机组超短期功率预测

针对现有预测方法难以批量处理多风机间不同特征的问题,提出了基于时间模式注意力(temporal pattern attention,TPA)机制的双向长短时记忆(bidirectional long short-term memory,BiLSTM)网络多风电机组超短期功率预测方法。首先,基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)获得风机原始功率信号的不同模态分量,以降低神经网络预测难度。其次,基于TPA机制,从Bi LSTM网络得到的隐藏行向量中提取多风机之间的复杂联系,从而使得具有不同特征的模态可以从不同时间步选择相关信息,进而降低各模态的预测误差。最后,将TPA机制与传统注意力机制应用于分散分布的14台风机区域功率预测任务。研究结果表明:基于本方法的多风电机组超短期功率预测的标准均方根误差仅为0.0546,证明TPA机制能有效提高多风电机组的超短期功率预测精度。

基于数据驱动的多风电机组协同控制方法

风机的尾流效应会严重降低风电场的发电效率,传统风电场能量管理方法未考虑尾流效应的影响,各风机均采用最大功率点跟踪MPPT(maximum power point tracking)控制方案,风电场整体输出功率并非最优。尾流耦合现象极其复杂,难以用解析模型描述,传统基于模型的控制思路难以适用。为此,提出一种基于数据驱动的多风电机组协同控制方法。基于风电场的历史运行数据,采用神经网络辨识多风电机组之间的尾流交互模型。进一步,在风电场层通过粒子群算法在线求解多风电机组协同控制功率优化指令;在机组层由各机组控制器实现指令跟踪,最终实现风电场整体发电功率的优化。仿真结果表明:基于数据驱动方法建立的尾流交互模型,其误差在1%之内;在此基础上,进行多机协同优化控制,相比传统未考虑尾流效应的单机MPPT控制,风电场平均输出功率得到提升,验证了所提控制方法的有效性。

基于CBAM-DSC-UNet模型的时空风速预测算法

针对时空风速预测任务通常使用的卷积神经网络(CNN)和循环神经网络(RNN)联合建模方法中空间信息损失的问题,提出一种基于CBAM-DSC-UNet模型的时空风速预测算法,用于提升空间信息利用率与模型预测精度。该算法将时空风速预测问题视为视频预测问题,在提取时空相关性的同时保持空间信息,进而直接输出未来多步的空间风速矩阵。以美国怀俄明州某风电场实际数据为算例进行实验,结果表明,相比其他对比算法,基于CBAM-DSC-UNet模型的时空风速预测算法的平均绝对误差下降8.4%~15.9%,精度有较大提升。