摘要
风能作为绿色、环保、可再生的能源，当前已经成为各国能源开发中的重点领域。在这其中，风力发电是风能主要的利用途径。但是由于风速既有规律性又有随机性的特点，所以风力发电并网的实际过程中不确定性将会对电力系统的运行、调度、成本等多方面造成影响。因此精准的风速预测对风能的开发、利用，以及电力系统的安全稳定运行都具有非常重要的意义。 为了实现高精度风速预测的目的，本文以长短期记忆人工神经网络（LSTM）为基础，引入卷积神经网络（CNN），融合注意力机制,并结合数据预处理设计了一种混合集成预测模型。本文主要工作如下。 (1)针对风速数据的特点，本文结合引入奇异谱分析和经验小波变换(EmpiricalWaveletTransform,EWT)对风速数据进行预处理，先利用改进的SSA对原始的风速数据集进行降噪处理，然后使用经验小波变换分解成为多个时间序列的分量。并经EWT分解为多个时间序列分量。再计算出各个分量之间的皮尔逊系数，以此为依据合并相关分量得到风速子序列。 (2)利用卷积神经网络进行特征提取，构建的特征提取器可以降低网络模型的复杂性的同时还可以减少网络参数的学习，使得深度学习模型更加容易训练。本文基于风速数据的特点，选择1D-CNN结构，使CNN的特征学习能力和LSTM的时间序列记忆功能相结合，对风速的特征提取。 (3)针对传统模型LSTM没有聚焦重要信息的能力，本文基于长短期记忆神经网络（LSTM），引入注意力机制使模型可以集中于信号的信息和重要部分，称为基于注意力机制的卷积长短时记忆网络（CLSTM-ATT）风速预测模型。本文提出的组合预测模型的优势体现在不但提高了预测的精确度还保存相对较好的稳定性，最后通过与四组模型进行对比，验证该预测模型预测效果并展现其优越性。 (4)通过实际风电场风速数据案例，从模型预测的精确度，模型的复杂度，模型的稳定性，以及进行Diebold-Mariano检验来验证本文提出的模型。最好实验结果表明，本文提出的模型综合各个评价指标都是展现了其优越性。
NETL