基于相鄰風場大數(shù)據(jù)的風電短期功率預測研究.pdf

1、在能源匱乏和環(huán)境問題的大背景下，世界各國開始尋求低碳發(fā)展道路，競相發(fā)展可再生能源，風電便是其中之一。風電資源豐富、裝機靈活，風電技術相較其他可再生能源發(fā)電而言也更成熟，效率更高，能很好地替代化石能源，保證能源供應的前提下更好地保護好環(huán)境。經(jīng)過近些年的快速發(fā)展，我國已經(jīng)成為世界上風電裝機最大的國家。但是，風電具有的隨機性、間歇性和反調(diào)峰特性，嚴重影響了我國風電的大規(guī)模并網(wǎng)消納，導致了嚴重的棄風問題。因此，對風電短期功率預測的研究可以彌補風

2、電不穩(wěn)定的缺點，有利于電網(wǎng)更加合理地安排調(diào)度計劃，使得更多的風電得到消納，有效地緩解棄風問題，對我國風電產(chǎn)業(yè)健康持續(xù)的發(fā)展具有重要意義。
　　另一方面，隨著風場大數(shù)據(jù)的逐步崛起，利用大數(shù)據(jù)進行風電功率預測是未來發(fā)展的一個趨勢。而深度學習在大數(shù)據(jù)的挖掘中正在發(fā)揮著越來越突出的貢獻。其中，卷積神經(jīng)網(wǎng)絡(CNNs)發(fā)展最為成熟，在圖像識別、模式識別等領域取得了成功。
　　本文首先基于相鄰風場大數(shù)據(jù)的結(jié)構(gòu)特點，通過真實的數(shù)據(jù)構(gòu)建了三

3、維的實驗數(shù)據(jù)集，并運用統(tǒng)計分布、動態(tài)關聯(lián)性分析等方法，研究了實驗數(shù)據(jù)集的數(shù)據(jù)特點，為后續(xù)預測建模打下基礎。
　　接著，建立了風電短期功率CNNs預測模型，利用多個CNNs網(wǎng)絡獨立運行，實現(xiàn)模型多輸出的效果;通過重點闡釋風電短期功率CNNs預測模型建立的全過程，詳細分析模型的預測效果，驗證了風電短期功率CNNs預測模型的實用性和可靠性。結(jié)果顯示，CNNs預測模型在誤差控制上有較好的效果，在整體預測精度提升的同時，對不同時間節(jié)點、不同

4、功率樣本的預測效果較傳統(tǒng)方法而言，也更為平均。
　　最后，通過建立CNNs預測模型和物理預測模型的組合預測模型，采用分類式的結(jié)構(gòu)權重，充分發(fā)揮兩種方法在不同樣本中的優(yōu)勢，進一步降低風電短期功率預測誤差。實際工作中，將組合模型權重確定問題轉(zhuǎn)化成參數(shù)優(yōu)化問題，利用遺傳算法(SC)快速求解，效率高。從實驗結(jié)果看，組合預測模型誤差較CNNs預測模型降低約5％，分類式的結(jié)構(gòu)權重也較單一權重下的誤差要略小。
　　通過本文的研究，一定程度