基于时空神经网络的风电场超短期风速预测模型

凡 航，张雪敏，梅生伟，杨忠良

（1. 清华大学电机工程与应用电子技术系,北京市100084；2. 电力系统及大型发电设备安全控制和仿真国家重点实验室,清华大学,北京市100084；3. 清华大学电子工程系,北京市100084）

0 引言

风能具有较强的随机性和不确定性。随着中国风电装机容量和比例的不断增高,风电消纳的难度逐渐增大,弃风问题日益凸显。提高风电场风电功率超短期预测的精度对电网在线优化调度具有重要的意义［1-2］。考虑“风速-功率”转换关系中的不确定性与风速不确定性的机理不同,因此有必要对两者分别进行研究。本文重点探讨如何提升风速超短期预测的精度,这也是进一步改进风电场功率预测精度的基础［3］。

超短期风电功率预测是指预测风电场未来0～4 h 的有功功率,时间分辨率不小于15 min［4］。相应的风速预测的时间尺度亦是如此。文献［5］提出了利用修正后自回归差分移动平均-广义自回归条件异方差（ARIMA-GARCH）模型进行超短期风速预测。文献［6］针对风速序列非线性、波动性的问题,首先利用变分模态分解将信号从低频到高频逐次分解,并对每个分量分别建立ARIMA-GARCH 模型再进行叠加。文献［7］在变分模态分解的基础上,分别采用后向传播的神经网络（BPNN）、自回归滑动平均（ARMA）模型和最小二乘支持向量机（LS-SVM）对高频、中频和低频信号进行预测。文献［8］采用了长短期记忆（LSTM）单元对风电场的超短期风速进行了预测,并在此基础上进行了功率预测。文献［9］在BPNN 中引入了误差校正环节。文献［10］提出风电场的风速之间存在较强的空间相关性,并给出了计及空间相关性的风速超短期预测方法。……