基于时空关联分解重构的风速超短期预测

潘 超 李润宇 蔡国伟 王 典 张永会

（1. 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 132012 2. 松花江水力发电有限公司吉林白山发电厂 吉林 132400）

0 引言

对风场进行风速预测有利于风场安全运行及含新能源并网的电网灵活调度[1-2]，但风速具有随机性及低能量密度等特点，将导致电力系统运行的可靠性降低。因此，准确的风速预测对于风电并网及电力系统的运行变得越发重要[3]。

风速预测方法按照原理可分为物理方法[4]、统计学方法[5]及人工智能方法[6]。目前，大多数的国内外学者选择BP 神经网络[7]、支持向量机[8]、极限学习机[9]等人工智能方法对风速进行建模预测。虽然都取得了有效的预测结果，但这些浅层学习算法难以对输入数据的深层特征进行挖掘，从而限制了模型的预测精度。因此，深度学习算法近年来备受关注[10]。文献[11]运用灰色关联决策分析了风速与功率的关系，并利用其灰色关联关系和风速功率曲线建立了风功率预测模型，但未考虑空间相关性对预测模型精度的影响。已有研究表明[12]，卷积神经网络（Convolutional Neural Network，CNN）可有效提取风速数据中隐藏的非线性特征。文献[13]提出利用CNN 基于空间相关性提取多位置风机的空间特征，对风场多台风机进行多位置多步预测，有效地提高了预测精度。对规模化风场进行风速预测时需要考虑时空相关特性。研究表明，为提高风速预测精度需对风速空间特征提取，该过程需要依靠高维数据信息，从而加重了模型计算的负担，在效率方面存在一定弊端；……