基于CNN–LSTM的风电场发电功率迁移预测方法

作     者：唐清苇 向月 代佳琨 李子豪 孙炜 刘俊勇 TANG Qingwei;XIANG Yue;DAI Jiakun;LI Zihao;SUN Wei;LIU Junyong

作者机构：四川大学电气工程学院四川成都610065 爱丁堡大学工程学院爱丁堡EH93FB 

出 版 物：《工程科学与技术》 (Advanced Engineering Sciences)

年 卷 期：2024年第56卷第2期

页      面：91-99页

核心收录：

学科分类：0808[工学-电气工程] 080802[工学-电力系统及其自动化] 08[工学] 

基　　金：国家自然科学基金项目(U2166211)。 

主　　题：风电预测 长短期记忆神经网络 卷积神经网络 功率曲线 风电场规划 

摘      要：随着能源消耗的持续增长和全球气候问题的日趋严峻,以风能为代表的清洁能源装机容量正在稳步提升。为更好地消纳风电,需要准确的风电场发电功率预测为配套设施建设和未来规划制定提供有效依据。针对在缺少风电历史运行数据时预测精度较低的问题,提出一种基于卷积神经网络–长短期记忆神经网络(CNN–LSTM)的规划阶段风电场发电功率预测模型。首先,基于参考电站历史数据提取风速–风电功率实测数据点,采用3次样条插值进行风电功率曲线建模。然后,采用K–means聚类算法,根据风速–风电功率的特性关系划分参考风电场的区域类别。综合考虑风电功率与多维气象因素的特征关系和功率的时序特性,构建CNN–LSTM预测模型,提出基于功率曲线的预测结果修正方法。最后,基于某地风电场实际数据进行算例分析,并与使用标准功率曲线和未进行修正时的预测结果进行对比分析。结果表明:基于风速–风电功率特性的风电场聚类可以实现参考风电场的优化识别;所提模型预测结果优于传统标准功率曲线预测方法,基于功率曲线的修正方法进一步提升了预测效果。基于深度学习算法的规划阶段风电场发电功率迁移预测模型综合考虑了风力发电特性和多维环境因素,其有效性得到了验证,可以为提高规划阶段风电场发电功率的预测精度提供新思路。