基于PCA-LSTM模型的风电机网相互作用预测

• 作者: 张宇 朱淼 李国杰 王依宁 王西田 解大
• 来源期刊: 中国电机工程学报
• 学科: 工学
• 关键词: 风电机网相互作用 长短期记忆网络 主成分分析 深度学习 振荡
• 年，卷（期）: 2019,（14）
• 所属期刊栏目: 新一代人工智能在智能电网和能源互联网中的应用
• 页码范围: 4070-4080
• 页数: 11页
• 分类号: TM711
• 语种: 中文
• DOI: 10.13334/j.0258-8013.pcsee.181221

摘要

随着风电在电力系统中渗透率不断提高,风电机组接入电网带来的机网相互作用问题已严重影响电网安全和电能质量,对风电机网相互作用进行研究意义重大.在TensorFlow深度学习框架下,提出一种基于长短期记忆(long short-term memory,LSTM)网络的风电机网相互作用预测模型.首先,通过主成分分析法(principal component analysis,PCA)对多变量时间序列做筛选,降低数据维度.其次,用LSTM网络对选出的风电机网相互作用关联因素序列和风电实际输出序列之间的非线性关系进行建模,并通过实例与其他预测方法对比证明其具有更高的精确度和适用性.最后,对机网相互作用观测对象的预测数据进行Prony分析,通过实测数据验证采用观测对象预测值分析机网相互作用的可行性和有效性.