中长期电量预测在编制中长期发电计划、提高新能源消纳以及保障电力系统电量平衡等方面发挥着重要作用。未来气候态预报信息有利于提高中长期电量预测精度,但当前中长期电量预测未能有效挖掘和利用未来气候预报信息,为此,提出了一种考...中长期电量预测在编制中长期发电计划、提高新能源消纳以及保障电力系统电量平衡等方面发挥着重要作用。未来气候态预报信息有利于提高中长期电量预测精度,但当前中长期电量预测未能有效挖掘和利用未来气候预报信息,为此,提出了一种考虑不同风能特征的风电中长期电量预测方法,同时为提高预测模型的适应性,以风能资源气候态预报结果数据为输入,通过构建风能特征挖掘模型,实现了不同预报误差特性数据集的筛选,进而结合风电场实际发电数据,基于灰狼优化算法(grey wolf optimizer,GWO)与长短时记忆网络(long short term memory,LSTM)构建了适应性预测模型。将所提法与当前预测方法相比,结果显示:所提出的中长期电量预测方法实现了沿海某风电场及区域总电量预测,且预测模型的性能更优。研究结果验证了所提方法的有效性和先进性。展开更多
针对影响风电中长期预测的气象、地理等因素众多且复杂,及无法解决长期依赖时间序列的问题,提出一种基于多维特征融合网络(multi-dimensional feature fusion network,MFFN)和长短期记忆(long and short term memory,LSTM)的预测方法—...针对影响风电中长期预测的气象、地理等因素众多且复杂,及无法解决长期依赖时间序列的问题,提出一种基于多维特征融合网络(multi-dimensional feature fusion network,MFFN)和长短期记忆(long and short term memory,LSTM)的预测方法—多维特征提取(feature extraction,FE)-关联函数(copula,CO)-LSTM融合模型(FE-CO-LSTM)。收集来自不同地区4个风电场的特征数据,在研究云贵高原地区风电场的背景下,最大限度扩充模型数据集;使用关联结构函数构造一种提取气象特征的方法,使模型可以在一定程度上量化气象因素和风力发电之间的相关性;基于神经网络模型提出一种特征表示与融合方法,以有效表达风电场气象因素、地理位置等特征;最后提出一种基于LSTM网络的中长期发电量预测模型,以有效解决模型对风电场时间序列数据反向传播时早期月度数据信息缺失的问题。实验结果证明,FE-CO-LSTM表现出最佳的预测性能。展开更多
文摘中长期电量预测在编制中长期发电计划、提高新能源消纳以及保障电力系统电量平衡等方面发挥着重要作用。未来气候态预报信息有利于提高中长期电量预测精度,但当前中长期电量预测未能有效挖掘和利用未来气候预报信息,为此,提出了一种考虑不同风能特征的风电中长期电量预测方法,同时为提高预测模型的适应性,以风能资源气候态预报结果数据为输入,通过构建风能特征挖掘模型,实现了不同预报误差特性数据集的筛选,进而结合风电场实际发电数据,基于灰狼优化算法(grey wolf optimizer,GWO)与长短时记忆网络(long short term memory,LSTM)构建了适应性预测模型。将所提法与当前预测方法相比,结果显示:所提出的中长期电量预测方法实现了沿海某风电场及区域总电量预测,且预测模型的性能更优。研究结果验证了所提方法的有效性和先进性。
文摘针对影响风电中长期预测的气象、地理等因素众多且复杂,及无法解决长期依赖时间序列的问题,提出一种基于多维特征融合网络(multi-dimensional feature fusion network,MFFN)和长短期记忆(long and short term memory,LSTM)的预测方法—多维特征提取(feature extraction,FE)-关联函数(copula,CO)-LSTM融合模型(FE-CO-LSTM)。收集来自不同地区4个风电场的特征数据,在研究云贵高原地区风电场的背景下,最大限度扩充模型数据集;使用关联结构函数构造一种提取气象特征的方法,使模型可以在一定程度上量化气象因素和风力发电之间的相关性;基于神经网络模型提出一种特征表示与融合方法,以有效表达风电场气象因素、地理位置等特征;最后提出一种基于LSTM网络的中长期发电量预测模型,以有效解决模型对风电场时间序列数据反向传播时早期月度数据信息缺失的问题。实验结果证明,FE-CO-LSTM表现出最佳的预测性能。
