基于深度学习的中长期风电发电量预测方法

朱尤成,王金荣,徐坚

(国电电力云南新能源开发有限公司，云南 昆明 650051)

风电的开发利用可减少温室气体排放，减轻环境污染，缓解当前的能源危机[1-2]。由于风电具有强随机性和间歇性[3],风速等影响风电功率的因素随时间呈现无规律的变化,导致风电功率难以预测[4]。而对风电功率的准确预测不仅是解决风电消纳的重要手段，也会增强风电在电力市场中的竞争力。因此,准确的风电预测对于确定合理的调度计划和确保电网安全经济运行具有重要意义。

针对此类问题，国内外已有大量研究。从时间尺度上，可以分为超短期预测(以小时为单位，预测接下来0～4 h的发电功率)，短期预测(以日为单位，预测72 h内的电力输出)，中长期预测(以月或年为单位)。其中超短期预测主要用于风电系统的实时调度，短期预测主要用于制订电网的发电计划，中长期预测用于安排大型检修，而长期预测的主要作用是风电场选址评估。对于超短期预测的工作，文献[5]提出了一种结合卷积神经网络(convolutional neural network,CNN)和门控循环单元(gated recurrent units,GRU)网络的超短期风电预测模型，针对时间序列进行动态时序建模，完成对风电功率的超短期预测；文献[6]建立了一个基于离散马尔可夫链的超短期风电预测模型。对于短期预测的工作[7-9]，文献[9]利用宜昌市历史气象数据、电力负荷数据以及日期类型数据等建立长短期记忆(long short term memories,LSTM)网络模型，通过逐步调优试验评估，提出适用于宜昌电力负荷预测的LSTM网络模型方案。……