基于循环神经网络的风电场功率超短期和短期预测

摘要

风能是一种环境友好无污染的可再生能源，是未来能源的主要形式之一。然而，由于风能具有天然的随机性和间歇性，风电输出功率不稳定且难以控制，大规模风电并网对电力系统的优化运行、控制等诸多方面提出了严峻的挑战。因此，迫切需要研究风电场功率预测方法，以提高风电场功率的预测精度，为含风电并网电力系统的优化运行等提供参考。为此，本文围绕风电场功率预测方法，主要进行了以下研究工作：
　　风电场历史功率数据因数据传输错误等因素影响，会存在异常数据，影响风电场功率预测精度。为此，提出基于加权k最临近（k-Nearest Neighbor，kNN）距离的风电场功率异常数据辨识及修正模型。该辨识模型应用加权kNN距离定义数据点的离群程度以辨识异常数据；修正模型通过取离异常点风速值最临近 k个点的功率平均值作为修正值，避免了直接删除异常数据对原始数据完整性和时序性的破坏。基于西班牙某风电场的算例分析表明：该方法可辨识出4.2%的异常功率数据并进行修正，验证了辨识模型和修正模型的正确性与有效性。
　　风电功率受风速、风向、气压等诸多气象因素影响，降低预测模型输入特征维度、挖掘预测输出间的时序性及相关性，可提高风电功率预测模型的预测精度。为此，提出基于条件互信息的输入特征降维方法，建立基于循环神经网络的风电场功率超短期预测模型。首先，采用历史功率和气象信息作为原始输入特征，基于条件互信息方法从中选取能为功率预测提供有用信息的特征，以去除冗余，降低预测模型输入特征维度。然后，以降维后的特征为输入，基于循环神经网络建立风电场功率超短期预测模型，预测未来2小时功率值。基于密歇根州内某风电场数据的算例分析表明：该模型从原始252个输入特征中选取72个作为关键特征；同时，循环神经网络预测模型与BP神经网络预测模型相比预测精度提高9.33%。
　　为了拓展预测模型的预测时长，进一步提高预测精度并加快预测模型的训练速度，以数值天气预报（Numerical Weather Prediction，NWP）数据为输入，基于谱聚类方法和循环神经网络建立风电场短期功率分类预测模型。首先，根据未来24小时预测风速的变化趋势，使用谱聚类方法对NWP数据中相似数据进行分类。随后，对每类相似数据，基于循环神经网络分别建立预测模型。最后，在进行新的预测时，先判断预测日NWP数据隶属的类，再使用相应的预测模型进行预测，得到预测值。基于密歇根州内某风电场实际功率和NWP数据的算例分析表明：使用分类预测模型后预测精度提高了6.01%，同时模型训练时间减少了85%。

目录

1 绪 论

1.1研究背景和意义

1.2风电场功率预测数据处理研究现状

1.3风电场功率预测方法研究现状

1.4本文主要工作

2 基于加权k最临近距离的风电场异常功率辨识

2.1引言

2.2风电场异常功率数据分类

2.3基于经验准则的丢失数据与停运数据辨识

2.4基于加权k最临近距离的不合理数据与故障数据辨识

2.5基于k最临近距离的异常数据修正

2.6算例分析

2.7本章小结

3 基于特征选取和循环神经网络的风电场功率超短期预测

3.1引言

3.2风电场输出功率影响因素

3.3基于条件互信息的输入特征优化选取

3.4基于循环神经网络的风电场功率预测模型

3.5算例分析

3.6本章小结

4 基于相似数据聚类和循环神经网络的风电场功率短期预测

4.1引言

4.2基于气象高度转换公式的NWP数据数值转换

4.3基于谱聚类方法的数值天气预报相似数据聚类

4.4基于相似数据聚类和循环神经网络的风电场功率分类预测

4.5算例分析

4.6本章小结

5 总结与展望

5.1总结

5.2展望

致谢

参考文献

附录

A. 作者在攻读学位期间发表的论文目录

B. 作者在攻读硕士学位期间参加的科研项目

C. 作者在攻读学位期间取得的科研成果目录