论文部分内容阅读
风力发电在可再生能源发电中占据着十分重要的地位。然而由于风电固有的间歇性、随机性和波动性，大规模风电并网对电力系统的安全稳定运行构成了挑战，因而风电功率预测(Wind Power Prediction，WPP)是非常有价值的研究方向。随着进入新世纪以来人工智能和大数据理论的发展，将广域时空大数据与深度学习技术结合来进行风电功率预测成为了一个新的研究热点。
本文在总结风电功率预测研究现状的基础上，阐明风电功率预测面临的问题和挑战，针对现有研究存在的不足，在各章节分别研究基于卷积神经网络(Convolutional Neural Network，CNN)、循环神经网络(Recurrent Neural Network，RNN)和堆栈去噪自编码器(Stacked Denoising Autoencoder，SDAE)的组合模型以及集成深度学习模型来进行风电功率预测，并对预测结果进行了分析。本文主要包括下述内容：
(1)提出了基于小波分解-卷积神经网络的短期风电功率预测模型。首先介绍了CNN和小波分解(Wavelet Decomposition，WD)的原理，构建了基于WD-CNN的短期风电功率预测模型。接着通过算例探索了CNN不同网络参数对于预测效果的影响，分析了输入序列不同滞后数目和WD不同分解层数对于WD-CNN预测性能的影响。最后，通过实际算例对WD有效性和CNN有效性进行了验证，并将所提模型和传统预测模型进行了比较。
(2)提出了基于变分模式分解-循环神经网络的短期风电功率预测模型。首先介绍了RNN和变分模式分解(Variational Mode Decomposition，VMD)的原理，构建了基于VMD-RNN的短期风电功率预测模型。接着通过算例分析了不同输入模型对于RNN预测效果的影响，探索了VMD不同分解模式数目对VMD-RNN预测性能的影响。最后，通过实际算例对VMD有效性和RNN有效性进行了验证，并将所提模型和传统预测模型进行了比较。
(3)提出了基于堆栈去噪自编码器-支持向量机-蝙蝠优化算法的短期风电功率预测模型。首先介绍了SDAE的原理，分析了基于SDAE、支持向量机(Support Vector Machine， SVM)和蝙蝠优化算法(Bat Optimization Algorithm，BOA)的短期风电功率预测建模流程，构建了基于SDAE-SVM-BOA的预测模型。接着通过算例分析了SDAE-SVM-BOA的预测性能并和传统预测模型进行了比较。最后，通过实际算例证明了蝙蝠优化算法的有效性。
(4)分别基于现代信号处理技术和stacking技术提出了两种新颖的深度学习集成预测模型。一方面，提出了基于WD和VMD的深度学习集成预测模型。首先介绍了基于WD和VMD的多模型集成策略，阐述了核心预测模型卷积神经网络-门控循环单元的架构，然后解释了所构建的基于现代信号处理技术的深度学习集成预测模型。最后，通过算例证明了所提模型的有效性。另一方面，提出了基于stacking技术的深度学习集成模型，集成了前面各章节提出的组合深度学习模型和深度残差网络。首先对stacking技术和深度残差网络的原理进行了介绍，接着通过算例证明了stacking集成模型的有效性和深度残差网络的有效性。
本文在总结风电功率预测研究现状的基础上，阐明风电功率预测面临的问题和挑战，针对现有研究存在的不足，在各章节分别研究基于卷积神经网络(Convolutional Neural Network，CNN)、循环神经网络(Recurrent Neural Network，RNN)和堆栈去噪自编码器(Stacked Denoising Autoencoder，SDAE)的组合模型以及集成深度学习模型来进行风电功率预测，并对预测结果进行了分析。本文主要包括下述内容：
(1)提出了基于小波分解-卷积神经网络的短期风电功率预测模型。首先介绍了CNN和小波分解(Wavelet Decomposition，WD)的原理，构建了基于WD-CNN的短期风电功率预测模型。接着通过算例探索了CNN不同网络参数对于预测效果的影响，分析了输入序列不同滞后数目和WD不同分解层数对于WD-CNN预测性能的影响。最后，通过实际算例对WD有效性和CNN有效性进行了验证，并将所提模型和传统预测模型进行了比较。
(2)提出了基于变分模式分解-循环神经网络的短期风电功率预测模型。首先介绍了RNN和变分模式分解(Variational Mode Decomposition，VMD)的原理，构建了基于VMD-RNN的短期风电功率预测模型。接着通过算例分析了不同输入模型对于RNN预测效果的影响，探索了VMD不同分解模式数目对VMD-RNN预测性能的影响。最后，通过实际算例对VMD有效性和RNN有效性进行了验证，并将所提模型和传统预测模型进行了比较。
(3)提出了基于堆栈去噪自编码器-支持向量机-蝙蝠优化算法的短期风电功率预测模型。首先介绍了SDAE的原理，分析了基于SDAE、支持向量机(Support Vector Machine， SVM)和蝙蝠优化算法(Bat Optimization Algorithm，BOA)的短期风电功率预测建模流程，构建了基于SDAE-SVM-BOA的预测模型。接着通过算例分析了SDAE-SVM-BOA的预测性能并和传统预测模型进行了比较。最后，通过实际算例证明了蝙蝠优化算法的有效性。
(4)分别基于现代信号处理技术和stacking技术提出了两种新颖的深度学习集成预测模型。一方面，提出了基于WD和VMD的深度学习集成预测模型。首先介绍了基于WD和VMD的多模型集成策略，阐述了核心预测模型卷积神经网络-门控循环单元的架构，然后解释了所构建的基于现代信号处理技术的深度学习集成预测模型。最后，通过算例证明了所提模型的有效性。另一方面，提出了基于stacking技术的深度学习集成模型，集成了前面各章节提出的组合深度学习模型和深度残差网络。首先对stacking技术和深度残差网络的原理进行了介绍，接着通过算例证明了stacking集成模型的有效性和深度残差网络的有效性。