基于LSTM的风机发电量预测研究

随着全球经济的发展,能源消耗不断增加,而石油、煤、天然气等不可再生能源的蕴藏是有限的;同时随着化石燃料大规模的开采和消耗,带来了严重的环境问题。各国政府都对新能源的发展日益重视。风力发电在政策鼓励下发展迅速,但是风能本身的随机性给电网安全带来了威胁。电能是一种不可大规模存储的能源,电网必须保持大致的消纳平衡。电网本身的供需要求是平衡的,但风能的波动性是随机的,大规模接入电网对电网安全运行产生威胁。风电功率必须进行预测,以便电力调度。准确预测风电功率,可以有效缓解风电波动对电力系统安全运行的影响。随着风电平价上网的推进,对风电企业提出了更高的要求,为避免风电资源浪费,必须提供优质、可预测的电能,才能提高风能的竞争力。本文提出基于LSTM网络的滚动预测模型。对风电原始数据进行了预处理,对数据缺失进行了合理补偿以及科学删减,确保了数据的有效性;建立了LSTM网络,结合滚动预测方法对风电功率进行了预测研究。同时为进一步提高风电功率预测质量,提出了基于Bi-LSTM网络的风机发电量预测模型。本文的研究内容主要有以下几个方面:1.本文依托TensorFlow深度学习框架搭建了LSTM网络。将经过预处理的数据进行截取,对训练数据进行后端截取,对测试数据进行前端截取,制造时间差。模拟真实预测场景数据预测的时序顺序。然后对模型进行训练,最终利用训练完成的模型进行预测测试。2.针对风电功率预测的实际需求,结合滚动预测方法,构建了基于滚动方法的LSTM预测模型。风机发电量的变化主要依赖天气因素的变化,而不同风电厂的天气规律也各不相同,同一风电场在不同季节天气规律也各不相同。因此,难以利用一个固定参数的模型,针对任意风电场进行功率预测,而滚动预测的基本思想是不断利用获取的新数据,对网络参数进行优化,获取最新风电功率变化规律,有利于提高风电功率预测准确率,同时也提高了模型对不同风电厂的适应能力。3.为进一步提高风电功率预测准确率,研究了风电功率历史数据的内在特点。对当前时刻风电功率的预测不仅可以利用历史风电数据的变化规律,也可以结合考虑未来风电数据的变化规律。因此模型可以从两个时间方向对当前时刻风电功率进行预测。Bi-LSTM可以从两个反向的时间方向对当前数据进行预测,提出了基于Bi-LSTM的风电功率预测模型,实验结果表明,Bi-LSTM模型进一步提高了风电功率预测准确率。