基于深度学习算法的风功率预测技术

随着化石能源的日渐枯竭及其对环境压力的日益增大,对可再生能源的开发与利用迫在眉睫。我国的风能资源十分丰富,风电在新能源发电中占据着十分重要的地位,但是由于风电本身具有的随机性、波动性及间歇性,大规模风电并网对电网的安全稳定运行构成了挑战,所以对风电功率进行预测对于电力系统调度及经济运行具有重要的参考意义。近年来,随着大数据技术及深度学习算法的发展,如何通过广域时空的数值天气预报数据与深度学习算法相结合来进行风功率预测,是一个充满前景的研究方向。论文首先针对数值天气预报的特性提出了多种数据建模方式,以便作为深度神经网络的输入。基于工程实际应用需求,分别针对短期风功率预测与超短期风功率预测试用了不同的数据建模方式与多种深度神经网络,并对预测误差特性及造成误差原因进行了分析。本文主要包括以下内容:(1)论文首先基于数值天气预报数据的多维时空特性,提出了适用于深度神经网络输入的多种多维时空数据架构,为短期风功率预测与超短期风功率预测的输入提供基础。(2)基于建立的多维时空数据模型,分别应用多种卷积神经网络进行了风功率的短期预测,基于实际风场数据的训练与测试,验证了其相对于传统机器学习方法的可行性与优越性,最后对不同结构的深度神经网络进行了特性分析并尝试了多NWP输入的单场站与多场站预测。(3)应用深度神经网络架构对超短期功率预测技术进行了一定的改进,设计了基于多种循环神经网络的超短期预测模型,并对基于Keras的深度神经网络搭建及训练方法进行了介绍,基于算例分析,论证了深度学习算法在超短期预测中的实用性及优越性。