文献类型：期刊文章

作　　者：苗长新[1] 李昊[1] 王霞[1] 韩丽[1] 马也[1] 李衡[1]

MIAO Changxin;LI Hao;WANG Xia;HAN Li;MA Ye;LI Heng(School of Electrical and Power Engineering,China University of Mining and Technology,Xuzhou 221116,China)

机构地区：[1]中国矿业大学电气与动力工程学院,江苏省徐州市221116

出　　处：《电力系统自动化》

基　　金：国家自然科学基金资助项目(61703404)。

年　　份：2021

卷　　号：45

期　　号：14

起止页码：22-29

语　　种：中文

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

摘　　要：从多源、多维、多模态的风电数据中挖掘风能、风电的因果关联,以及多风电场间的时空关联,是提高风电功率预测精度的有效途径。文中提出了一种基于数据驱动的混合深度学习模型。首先,在数据预处理环节,将风电场满功率输出、风速溢出的场景,视为风电功率预测的异常、故障状态,并提出数据清洗方法以加强风速和风电的相关性。然后,针对气象信息与风电的因果关联,设计多通道卷积挖掘其耦合关系;针对相邻风电场间的时空关联,设计多尺度卷积挖掘不同时空尺度下的风电特征,并通过1×1卷积层对不同尺度的时空特征赋权、融合和降维。最后,将融合特征输入门控循环网络挖掘时序关联,输出多风电场风电功率的预测结果,以真实数据集验证了所提模型的有效性。

关 键 词：数据驱动 深度学习  风电功率预测 时空关联  多尺度卷积  

分 类 号：TM614] TP18] TP311.13]