文献类型：期刊文章

作　　者：王依宁[1] 解大[1] 王西田[1] 李国杰[1] 朱淼[1] 张宇[2]

WANG Yining;XIE Da;WANG Xitian;LI Guojie;ZHU Miao;ZHANG Yu(School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University, Minhang District, Shanghai 200240, China;State Grid Shanghai Municipal Electric Power Company, Hongkou District, Shanghai 200437, China)

机构地区：[1]上海交通大学电子信息与电气工程学院,上海市闵行区200240 [2]国网上海市电力公司电力科学研究院,上海市虹口区200437

出　　处：《中国电机工程学报》

基　　金：国家自然科学基金项目(51677114);国家电网公司科技项目(SGTYHT/16-JS-198)~~

年　　份：2019

卷　　号：39

期　　号：14

起止页码：4070-4080

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：随着风电在电力系统中渗透率不断提高,风电机组接入电网带来的机网相互作用问题已严重影响电网安全和电能质量,对风电机网相互作用进行研究意义重大。在TensorFlow深度学习框架下,提出一种基于长短期记忆(long short-termmemory,LSTM)网络的风电机网相互作用预测模型。首先,通过主成分分析法(principal component analysis,PCA)对多变量时间序列做筛选,降低数据维度。其次,用LSTM网络对选出的风电机网相互作用关联因素序列和风电实际输出序列之间的非线性关系进行建模,并通过实例与其他预测方法对比证明其具有更高的精确度和适用性。最后,对机网相互作用观测对象的预测数据进行Prony分析,通过实测数据验证采用观测对象预测值分析机网相互作用的可行性和有效性。

关 键 词：风电机网相互作用  长短期记忆网络  主成分分析 深度学习  振荡

分 类 号：TM711]