论文部分内容阅读
风电的随机波动性影响电力系统的安全、稳定和经济运行,是大规模风电并网的主要挑战。风电功率预测是解决该问题的必要手段之一。现阶段风电功率预测最主要的问题是精度不足,除数值天气预报(Numerical Weather Prediction,NWP)精度的原因外,预测模型也存在两方面问题:一是模型深度不足、映射结构简单;另一是训练样本维度少、规模小、未经严格清洗。上述问题导致预测模型学习能力不足、难以适应复杂风场景和描述复杂地形中流场关系,极大地限制了风电功率预测精度的提升。因此,本文中提出了基于堆叠降噪自动编码机(Stack Denoising Auto-Encoder,SDAE)的短期风电功率预测方法,建立了以多点数值天气预报为输入、多台机组功率为输出的深度学习模型。主要工作包括:1)提出了风电功率预测数据清洗方法通过对NWP、实测风速、实测功率等风电功率预测建模数据进行质量分析,提出了两种实测风速插补算法:基于流场相似状态的K最近邻插补(K Nearest Neighbor,KNN)和基于相关性排序的插补算法;提出了基于桨距角上临界曲线的功率数据筛选方法和全场功率数据筛选规则,实现对实测功率数据的筛选。结果表明:基于流场相似状态的KNN插补算法精度更高,更适合后续的建模工作;基于桨距角上临界曲线的功率数据筛选方法能快速准确的筛选出正常状态下的功率数据。2)提出了基于SDAE的多点NWP误差修正方法分析了NWP误差的时空分布模式;提出了一种基于SDAE的多点NWP误差修正方法,并建立了以多点NWP为输入、多台风电机组风速为输出的三隐层SDAE网络模型。结果表明:SDAE模型比3种现有模型的修正精度更高,且无需分月、分机组进行大批量建模。3)建立了基于NWP修正风速和SDAE的风电功率预测模型提出了基于多对多映射结构的风电功率预测建模方法,建立了基于修正NWP风速和SDAE的风电功率预测模型,模型以多点修正NWP风速作为模型输入、多台机组功率作为模型输出。结果表明:与8种主流的预测模型相比,NWP修正对功率预测精度的提升效果明显,采用多点NWP输入有助于提高预测精度,三隐层SDAE网络优于浅层网络。