文献类型：期刊文章

作　　者：张群[1] 唐振浩[1] 王恭[1] 杨阳[2] 童瑶[1]

Zhang Qun;Tang Zhenhao;Wang Gong;Yang Yang;Tong Yao(School of Automation Engineering,Northeast Electric Power University,Jilin 132012,China;Key Laboratory of Data Analytics and Optimization for Smart Industry(Northeastern University),Ministry of Education,Shenyang 110819,China)

机构地区：[1]东北电力大学自动化工程学院,吉林132012 [2]智能工业数据解析与优化教育部重点实验室(东北大学),沈阳110819

出　　处：《太阳能学报》

基　　金：国家重点研发计划(2018YFB1500803);国家自然科学基金(61503072)。

年　　份：2021

卷　　号：42

期　　号：10

起止页码：275-281

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD_E2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为提高超短期风功率的预测精度,提出一种基于深度学习的多变量长短时记忆网络(MLSTM)算法,综合使用风功率历史数据和风速历史数据进行风功率预测。首先,根据混沌分析结果对风场数据进行重构,并结合分类预测树得到的特征重要性值选取预测模型的输入。然后,采用基于长短期记忆人工神经网络(LSTM)的方法建立风功率预测模型;最后,提出一种基于历史预测误差的误差修正策略进一步提高模型精度。利用风电机组实际运行数据进行不同时间尺度的风功率预测实验,结果表明:相比于反向传播神经网络、多层感知机、最小二乘支持向量机等模型,所提模型在不同尺度下均取得了更高的预测精度,并在不同数据集中表现稳定。

关 键 词：深度学习  特征选取 误差修正  预测模型  风功率预测  混沌分析  

分 类 号：TK89]