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
• 来源期刊: 高电压技术
• 关键词: 风电场 功率预测 集群划分 聚类分析 深度学习 神经网络
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: 促进可再生能源消纳的发电功率预测技术及应用专题|Special Isssue on Power Generation Forecasting Technology and Its Application to Promote the Consumption of Renewable Energy
• 页码范围: 1195-1203
• 页数: 9页
• 语种: 中文
• DOI: 10.13336/j.1003-6520.hve.20210079

摘要

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4h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.