基于长短时记忆网络的超短期风功率预测模型

作者：张群; 唐振浩^*; 王恭; 杨阳; 童瑶

来源：太阳能学报, 2021, 42(10): 275-281.

DOI：10.19912/j.0254-0096.tynxb.2019-1193

• 深度学习
• 特征选取
• 误差修正
• 预测模型
• 风功率预测
• 混沌分析

为提高超短期风功率的预测精度,提出一种基于深度学习的多变量长短时记忆网络(MLSTM)算法,综合使用风功率历史数据和风速历史数据进行风功率预测。首先,根据混沌分析结果对风场数据进行重构,并结合分类预测树得到的特征重要性值选取预测模型的输入。然后,采用基于长短期记忆人工神经网络(LSTM)的方法建立风功率预测模型;最后,提出一种基于历史预测误差的误差修正策略进一步提高模型精度。利用风电机组实际运行数据进行不同时间尺度的风功率预测实验,结果表明:相比于反向传播神经网络、多层感知机、最小二乘支持向量机等模型,所提模型在不同尺度下均取得了更高的预测精度,并在不同数据集中表现稳定。

• 单位
  东北电力大学; 东北大学