基于多场景敏感气象因子优选及小样本学习与扩充的转折性天气日前风电功率预测

随着风电渗透率的不断提高,如何对风电出力进行精准可靠预测是电力系统调度部门所面临的巨大挑战。当前,中国已具备较为成熟的风电功率预测解决方案,但其在转折性天气时段仍会出现极端预测偏差。同时,转折性天气数据集相对于常规功率预测数据集而言属于小样本,如何在小样本数据集下实现准确建模是精度提升的关键。针对上述问题,提出一种基于多场景敏感气象因子优选及小样本学习与扩充的转折性天气日前风电功率预测方法,该方法通过优选与构造多重场景转折性天气过程下的气象敏感特征,利用时间序列生成对抗网络对多场景气象敏感特征小样本集进行扩充,并采用长短期记忆神经网络对扩充后的敏感气象因子与风电观测出力序列之间的非线性关系进行建模。采用吉林某风电场数据进行算例验证,结果表明所提模型能够在一定程度上提高包含转折性天气的日前风电功率预测精度。

季节分型下一种面向风电功率日前预测的深度自适应滤波框架

深入研究数值天气预报风速的波动性对提高风电功率日前预测精度具有重要意义。首先提出一种深度自适应滤波框架,对于数值天气预报风速,采用引入相对熵的变分模态分解算法,经分解产生多个模态分量后,基于非局部均值去噪算法对其中的噪声分量滤波,随后将其与有效分量重构得到去噪后的序列;在此基础上按季节分型,将去噪后的数值天气预报风速序列作为输入,在备选模型库中由验证集选用该季节最适合的风速-功率转化模型,并对测试集进行风电功率预测。选用中国东北某风电场进行算例分析,相较于其他分解算法,所提方法在不同季节的预测准确率可提升0.25%~1.58%,即季节分型下的深度自适应滤波框架可有效提高风电功率预测精度。