基于多位置NWP 和门控循环单元的风电功率超短期预测

杨 茂，白玉莹

（现代电力系统仿真控制与绿色电能新技术教育部重点实验室（东北电力大学）,吉林省吉林市132012）

0 引言

风电功率预测及其在调度运行中的应用是促进新能源消纳的基础,研究风电功率预测技术有助于削弱风电功率并网时对电力系统带来的不利影响,降低电网的运行成本,提高系统运行的可靠性,有效保证电网安全［1］。

目前,神经网络技术已成功应用于风电功率预测领域,通过挖掘输入与输出之间的隐含关系,解决静态模型问题进而实现风电功率预测［2］。但是风电功率属于非平稳时间序列,其变化规律不仅与当前状态有关,还受历史数据变化过程的影响。随着大数据的发展,深度学习近年来引起国内外研究学者的广泛关注,循环神经网络（recurrent neural network,RNN）应运而生,其中最有代表性的长短期记忆（long short-term memory,LSTM）网络是一种时间循环网络［3］。目前已有研究［4］证明LSTM 网络可有效提高风电功率超短期预测精度,但模型运行时间较长,不适用于工程实际,因此有研究学者在LSTM 网络的基础上提出了门控循环单元（gated recurrent unit,GRU）,在确保精度的同时,使模型结构更简单,计算时间更短。

文献［5］提出一种结合卷积神经网络（convolutional neural network,CNN）和GRU 的风电功率超短期预测模型,引入CNN 对GRU 模型中的隐藏状态进行压缩,缩短计算时间的同时也克服了训练过程中容易出现的梯度消失和梯度爆炸问题,但对于数值天气预报（NWP）的特征没有进行筛选,易出现输入信息冗余。文献［6］考虑多位置NWP 和非典型特征,利用最大相关-最小冗余原则提取输入变量,说明多位置NWP 和非典型特征均包含有效信息,但预测模型为浅层神经网络,结果存在不确定性。……