基于卷积神经网络特征提取的风电功率爬坡预测

为提高风电功率爬坡预测的准确性,提出了一种基于卷积神经网络、长短期记忆网络和注意力机制的风电功率爬坡预测方法。首先,针对风电功率爬坡发生次数少、特征复杂、预测模型难以对小样本爬坡事件有效学习的问题,使用卷积神经网络对风电功率序列进行特征提取。然后,使用长短期记忆网络建立预测模型,解决风电功率的长时依赖问题,并在模型中加入注意力机制对长短期记忆网络单元的输出进行加权,从而加强风电特征的学习,提高爬坡预测准确度。仿真验证表明,模型对风电功率爬坡预测有较高的准确性。

基于相似性修正的风电功率爬坡事件预测方法

为了满足爬坡预测所需的长期高精度风电功率预测要求,提出基于相似性修正的风电功率爬坡预测方法。该方法首先根据Granger因果检测法提取数值天气预报(numerical weather prediction,NWP)中对风电功率预测有效的气象变量,保证基于气象变量和统计模型的混合预测模型的可实现性,并以支持向量回归模型作为基本预测模型。其次,结合历史数据分析气象背景相似性与爬坡事件相似性,给出相似爬坡事件的选取机制。考虑到较高精度的风电功率预测可提高爬坡预测的性能,为此,结合相似爬坡的功率变化修正风电功率的预测结果,并由误差指标分析验证修正模型的优越性。最后,对实际算例进行仿真分析,验证基于相似性修正的风电功率预测模型的可行性。