随着全球能源资源的日益减少,传统化石能源正面临着枯竭的风险。风电作为绿色、清洁的能源形式,在全球范围内受到了广泛的关注和推广。然而,由于风电的自身特性,如间歇性和不确定性,为电力系统的稳定运行和调度带来了新的挑战。为了有效应对这些挑战,风电功率预测技术应运而生,成为当前研究的热点领域。在超短期风电功率预测等高频、高噪声的实际应用场景中,风力发电高度动态化,受多种气象和环境因素的影响,使得准确预测变得尤为复杂。单一模型的预测精度往往难以达到实际应用的需求。基于此,本文从风电数据预处理、模型优化和预测模型等多方面进行组合预测方法的研究,主要研究内容如下:
(1)针对风电数据采集过程中引入的异常和不完备数据,本文采用了一种基于四分位法和基于密度的带噪声空间聚类(Density Based Spatial Clustering of Applications with Noise,DBSCAN)算法的两阶段数据清洗方法。对风速-功率散点图中的分散型和堆积型数据进行混合清洗,并采用线性插值得到完备的可靠数据集。通过Pearson相关性分析对影响风电出力的气象特征进行排序分层,利用主成分分析(Principal Component Analysis,PCA)提取各层级特征变量的主成分,实现对高维气象特征的降维,提高模型的泛化性能。
(2)针对神经网络预测模型超参数搜索空间巨大,难以确定的问题。提出了一种基于拉丁超立方体的改进白骨顶鸡算法(improved COOT algorithm based on Latin Hypercube,LHCOOT)的超参数优化方法。首先,在原白骨顶鸡算法中,引入拉丁超立方体抽样增强初始种群的均匀性和多样性;其次,引入非线性决策因子和自适应动态边界机制,以提高算法全局搜索和局部开发能力;最后,利用柯西变异对最优解进行扰动,帮助算法跳出局部最优。通过在基准函数、高维函数进行仿真,结果证明,该算法收敛速度和寻优精度良好,在优化问题上具有可行性和有效性。
(3)针对预测模型特征提取困难,预测精度不足的问题,本文提出了一种双通道深度学习模型。首先,利用长短期记忆(Long Short-Term Memory,LSTM)神经网络建立了一个历史功率序列的特征提取通道。其次,采用时间卷积网络(Temporal Convolutional Network,TCN)作为多维气象数据的混合特征提取通道,并通过加入自注意力(Self-Attention,SA)机制,增强了TCN从气象数据中提取内部特征的能力。并采用LHCOOT优化双通道深度学习模型的五维超参数,进一步提高模型预测性能。采用新疆某风电场的冬、夏两种差异性实测数据集,通过消融实验和单步多步验证对比。结果表明,相较于传统LSTM模型,所提方法的均方根误差、平均绝对误差分别降低了6.67%和13.85%,且预测精度高于其他多种对比预测模型,有效提高了超短期风电功率预测精度。
暂无评论