摘要
近些年来，由于风电装机技术的成熟，风力发电逐渐受到各个国家的青睐。然而，越来越多的风电场在风电并网时会对整个电力系统稳定运行造成极大的破坏。许多风电场为维持自身发电量的稳定，往往采用弃风手段浪费风力资源，高精度的风电功率解决是这一系列问题的的有效手段。本文从数据预处理、超短期风电功率预测模型的选取、对历史数据做二次分解这三个方向，对超短期风电功率预测模型进行优化，主要研究工作如下： （1）为了给风电功率预测模型提供一份准确的历史数据集，本文提出了一种基于孤立森林算法与三次样条插值法的数据预处理方法。首先采用孤立森林算法对历史数据集进行异常值检测，然后采用三次样条插值法对经数据清洗后的数据进行数据填充，最后做归一化处理。 （2）针对单一预测模型往往无法达到风电功率预测应用中的精度要求，本文提出了一种基于CNN-GRU的时序预测模型，通过利用CNN神经网络优秀的隐式特征提取能力和专用于提取时序特征信息的GRU神经网络相结合，对数据预处理后的风电数据进行时序建模预测。经两次对比实验验证，CNN-GRU预测模型在样本数量不同的数据集上做预测时性能均优于其他单一预测模型。 （3）然后，针对风电数据高度的非线性和不平稳性这一特点，提出了一种基于CEEMDAN-VMD的二次分解方法。经模块消融实验证明，基于CEEMDAN-VMD的二次分解技术能在一次分解的基础上进一步降低风电序列的随机性与波动性，优化预测模型性能，提升模型预测精度。 （4）最后，提出一种基于CEEMDAN-VMD-CNN-GRU的超短期风电功率预测方法，通过模块消融实验证明模型设计合理性与有效性，并在气候特征不一样的四季风电数据集上与其他模型做对比实验，验证了其在保证稳定性的同时也能达到高精度的预测结果。
NETL