一种结合CNN和GRU网络的超短期风电预测模型

论文摘要

在大型电网和小型微电网中,风力发电预测对电力系统安全和经济运行发挥着至关重要的作用。针对传统建模中风电功率时变特性的局限,进一步探索风电时间序列波动特征的潜在信息,文章提出一种结合卷积神经网络(Convolutional Neural Network,CNN)和门控循环单元(Gated Recurrent Unit,GRU)的超短期风电预测模型。首先,该模型利用NWP气象数据为输入并将其归一化处理;然后,采用结合CNN和GRU网络对多变量时间序列进行动态时间建模,引入CNN来压缩GRU隐藏状态以减少计算模型的输出,克服训练过程中的梯度爆炸和消失问题;最后,根据风速和风力发电功率特性实现风电预测。通过实验仿真结果可知,与目前已投入运行的基于ANN的风电预测系统和近年来新兴的LSTM深度学习算法相比,该方法具有更高的预测精度,具有一定的工程价值。

论文目录

• 0 引言
• 1 风电场发电功率
• 2 GRU网络结构
•   2.1 RNN结构
•   2.2 GRU神经网络
•   2.3 CNN
• 3 风电场风速和发电功率超短期预测模型设计
•   3.1 风电超短期预测整体框架策略
•   3.2 GRU和CNN组合模型结构
•   3.3 NWP模型的气象变量数据处理
•   3.4 预测结果误差评估标准
• 4 算例分析
•   4.1 仿真设计
•   4.2 实验结果分析
• 5 结论

文章来源

类型: 期刊论文

作者: 薛阳,王琳,王舒,张亚飞,张宁

关键词: 风力发电,超短期风功率预测

来源: 可再生能源 2019年03期

年度: 2019

分类: 工程科技Ⅱ辑,农业科技

专业: 电力工业

单位: 上海电力学院自动化工程学院

基金: 上海市自然科学基金资助项目(13ZR1417800),上海市电站自动化技术重点实验室项目(13DZ2273800),国网浙江省电力有限公司科技项目(H2018-062)

分类号: TM614

DOI: 10.13941/j.cnki.21-1469/tk.2019.03.023

页码: 456-462

总页数: 7

文件大小: 1056K

下载量: 956