基于深度学习网络的风电场功率预测研究及应用

随着我国风电装机容量的不断增长,大规模风电的接入对电网的影响越来越明显。对风电功率进行准确有效的预测能够减少风电接入对电网的不良影响,优化电网调度。可见,对风电功率预测方面的研究有着重要的现实意义。本文以上海崇明北沿风场为对象,基于深度学习网络建立了功率智能预测的模型,对该模型的实用性进行探讨,并研究该模型与其他预测模型的组合预测,最后基于该模型以及需求分析研发设计风电功率预测系统,主要做了以下四个方面的工作:1.对数值天气预报数据进行了预处理和统计分析,分析结果表明数值天气预报的风速数据与实际风速偏差较大,有必要对其进行校正。通过相关性分析得知数值天气预报风速与实际风速的关系,能够对其进行校正。2.基于深度学习网络建立了数值天气预报数据的校正模型,并将仿真计算后得到的校正数据作为功率输出模型的输入参数。基于深度学习网络建立了考虑风速、风向、温度、气压和历史功率的风机功率输出模型,通过仿真计算,预测24小时内各风机的有功输出情况。结果表明,深度学习网络比一般的多层BP网络的预测精度要高,验证了该方法的有效性。3.提出了一种新的组合预测模型,建立了基于深度学习网络模型、支持向量机模型和自回归滑动平均模型的组合预测模型,并分别与其它三种组合预测模型(支持向量机模型与自回归滑动平均模型的组合预测模型;深度学习网络模型与支持向量机模型的组合预测模型;深度学习网络模型与自回归滑动平均模型的组合预测模型)进行仿真比较:仿真结果表明,深度学习网络在组合预测中的实用性较强,预测精度较高。4.利用上海输配电集团技术中心的开发平台,参与设计了一套基于组合预测模型的风电场风电功率预测系统,该系统包括风机数据采集,核心数据库,算法程序,预测数据发布四个模块。实际运行结果表明,上述组合预测算法能提高风电场功率预测精度,验证了该组合预测的有效性。