基于改进空间资源匹配法的风电集群功率预测技术

大规模风电集群的功率预测,有利于调度部门制定科学合理的发电计划,提升电网的健壮性。基于空间资源匹配法(spatial resources matching algorithm,SRMA)的风电集群功率预测方法,比广泛采用的统计升尺度法具有更高的精度,而且需要的计算资源较少。但是现有的空间资源匹配法,匹配参数单一,不利于预测精度的进一步提升。文章在详细介绍空间资源匹配法的基础上,提出了一种考虑风电功率测量数据的改进空间资源匹配法,并通过52个风电场组成的风电集群开展了0~12 h的风电功率预测。结果表明,改进的空间资源匹配法前4 h的预测精度比传统的匹配法有较大幅度的提升,具有较强的工业应用推广价值。

基于SDAE深度学习与多重集成的风电集群短期功率预测

风电功率预测(wind power prediction,WPP)技术是电力系统调度与安全运行的关键性因素,为了更好地提升风电功率预测技术的精度,在集成学习的基础上提出了一种多重集成的集群短期WPP方法。所提方法包含4步:第1步,利用变分模式分解、经验模态分解和小波变换将原始风电序列分解为多个子序列;第2步,根据子序列构造多个堆叠去噪自动编码器(stacked denoising autoencoders,SDAE)进行深度学习;第3步,将第2步的结果随机划分成几个集合,利用支持向量机(support vector machine,SVM)对每个集合进行集成;第4步,将第3步的集成的结果再随机划分成几个集合,利用SVM对每个集合进行集成,重复以上步骤直至得到最终的集成预测结果。结果表明,多重集成学习得到前96 h预测结果的平均归一化均方根误差相比单次集成减少了0.0101,百分比为9.01%;相比SDAE减少了0.0151,百分比为13.54%;相比SVM减少了0.0175,百分比为14.66%。论文研究可为基于深度学习和集成学习的风电集群短期功率预测提供参考。