基于集群动态划分与BLSTM深度学习的风电集群短期功率预测

作者：杨子民; 彭小圣^*; 郎建勋; 王洪雨; 王勃; 刘纯

来源：高电压技术, 2021, 47(04): 1195-1203.

DOI：10.13336/j.1003-6520.hve.20210079

• 风电场
• 功率预测
• 集群划分
• 聚类分析
• 深度学习
• 神经网络

风电集群的整体功率预测对区域风电的优化调度具有重要意义,现有集群预测方法并未考虑集群内各风电场数值天气预报(numerical weather prediction, NWP)信息在时间序列上的差异性波动,并按此进行集群的合理划分。为此,提出了基于天气过程动态划分的风电集群短期功率预测方法。首先将96 h时间尺度的待预测样本均分成16份等时长的子样本;然后对每份子样本分别进行集群的聚类与划分;再依据划分结果构建各子样本所含子集群的训练集;最后通过双向长短期记忆(bidirectional long short-term memory,BLSTM)人工神经网络对各子集群进行功率预测。算例结果表明,所提方法在4 h超短期预测、24 h日前预测、96 h短期预测中相较统计升尺度法可分别提高1.69%、0.77%和0.59%的精度。论文研究可为风电集群划分和短期功率预测提供参考。

• 单位
  中国电力科学研究院有限公司; 强电磁工程与新技术国家重点实验室; 电子工程学院; 华中科技大学