基于新型混合深度学习的风电机组功率预测模型开发及应用

作者：王丽杰; 唐宏芬; 张真真; 张路娜

来源：电力科技与环保, 2022, 38(01): 72-78.

DOI：10.19944/j.eptep.1674-8069.2022.01.010

• SCADA数据
• 混合深度学习模型
• 卷积层
• 门限循环网络
• 性能劣化

风电机组发电性能的预测对提高电网的可靠性、安全性以及运行管理水平起着至关重要的作用。考虑实际环境的复杂不确定性导致风力发电存在一定波动,提出了一种新的基于混合深度学习模型的风力发电机功率预测模型对风力发电性能进行预测。该混合模型通过耦合卷积层、门限循环单元层和全连通神经网络有效地提高了预测精度,其中卷积层从原始数据中自动学习复杂特征,门限循环单元层通过精简信息特征并传递到全连通神经网络进一步捕获特征关系,提高了模型预测的准确性。采用风电机组的SCADA数据对模型进行训练学习和对比实验。其中训练结果表明在预测测试数据时本文所提预测模型的预测值与实际值之间的平均绝对差为2.48,同时模型也没有出现过度拟合和拟合不足的问题。对比实验中,所提预测模型的平均绝对误差指数仅为2.32,小于其他文献所提的预测模型,表明了混合深度学习模型优于其他预测模型。最后通过实例验证了预测模型的有效性,提高了风电预测的准确度。