摘要
作为一种新的清洁能源，风能因其容易获取和无污染的特点而备受关注。由于风的间歇性和不可控性给风电并网带来困难，甚至危及电力系统的稳定性。因此，对风电场风速、风功率的准确预测在维护电力系统安全方面起着至关重要的作用。由于复杂的天气状况和人为因素的影响，实现高精度的风速、风功率预测是一个具有挑战性的任务。为了提高预测的准确性，本文对风电场风速、风功率预测进行研究。论文的主要工作如下: (1)提出了一种基于分解组合的风速预测模型。由于风速序列的非线性和非平稳特性，使用单一的预测模型很难实现准确的预测。为此，采用数据分解算法消除原始数据噪声，提高数据质量。引入基于信息理论的方法获取预测模型的特征输入，降低模型输入维数。最后，建立基于分解组合的高斯过程回归预测模型。将所提出的方法用于实际风速数据，通过仿真验证，该方法可以达到较高的预测精度。将该模型应用于包含环境变量在内的风速数据集，以进一步证明所提模型的可靠性。 (2)为降低气象因素数据冗余及风电场数据噪声对后续风功率预测精度的影响，提出一种基于互信息特征提取和小波阈值降噪的高斯过程回归模型，综合使用历史风功率数据和气象因素数据预测含噪声的风功率时间序列。采用互信息分析气象因素及风功率时间序列之间的依赖关系，选择有效的输入特征集合。利用小波阈值降噪方法分离风功率数据中有效信号与噪声信号。建立高斯过程回归预测模型，实现对风功率预测。通过真实的风电场数据验证，在有噪声的场景下，所提出的模型能够有效提升预测精度。 (3)风功率预测方法的可靠性是提高电力系统安全性的重要因素。由于气象因素在一定程度上影响风功率的未来值，因此提出一种混合深度学习风功率预测方法。该方法包括气象因子选择、数据分解、特征提取和混合预测框架的搭建。首先，采用基于最大信息系数和经验小波变换的数据预处理策略，前者用于寻找最小的输入特征并挖掘隐藏在序列之间的抽象关系，后者自适应地对原始数据进行分解，以降低预测的难度。然后基于一维卷积神经网络对包含气象因素和风功率历史值的输入变量集合进行特征提取，获取特征输入。最后构建基于双向门控循环单元的预测模型用于预测未来实际风功率。将所提出的方法用于实际风功率数据中，仿真结果表明，所提出的方法优于其它对比模型。
NETL