文献类型：期刊文章

作　　者：杨子民[1] 彭小圣[1] 郎建勋[1] 王洪雨[1] 王勃[2] 刘纯[2]

YANG Zimin;PENG Xiaosheng;LANG Jianxun;WANG Hongyu;WANG Bo;LIU Chun(State Key Laboratory of Advanced Electromagnetic Engineering and Technology,School of Electrical and Electronic Engineering,Huazhong University of Science and Technology,Wuhan 430074,China;State Key Laboratory of Operation and Control of Renenable Energy&Storage Systems,China Electric Power Research Institute,Beijing 100192,China)

机构地区：[1]华中科技大学电气与电子工程学院强电磁工程与新技术国家重点实验室,武汉430074 [2]中国电力科学研究院有限公司新能源与储能运行控制国家重点实验室,北京100192

出　　处：《高电压技术》

基　　金：国家重点研发计划(促进可再生能源消纳的风电/光伏发电功率预测技术及应用)(2018YFB0904200)。

年　　份：2021

卷　　号：47

期　　号：4

起止页码：1195-1203

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：风电集群的整体功率预测对区域风电的优化调度具有重要意义,现有集群预测方法并未考虑集群内各风电场数值天气预报(numerical weather prediction, NWP)信息在时间序列上的差异性波动,并按此进行集群的合理划分。为此,提出了基于天气过程动态划分的风电集群短期功率预测方法。首先将96 h时间尺度的待预测样本均分成16份等时长的子样本;然后对每份子样本分别进行集群的聚类与划分;再依据划分结果构建各子样本所含子集群的训练集;最后通过双向长短期记忆(bidirectional long short-term memory,BLSTM)人工神经网络对各子集群进行功率预测。算例结果表明,所提方法在4 h超短期预测、24 h日前预测、96 h短期预测中相较统计升尺度法可分别提高1.69%、0.77%和0.59%的精度。论文研究可为风电集群划分和短期功率预测提供参考。

关 键 词：风电场 功率预测 集群划分  聚类分析 深度学习  神经网络

分 类 号：TM614] TP18]