基于深度学习的短期风电输出功率预测研究

【摘要】：风能作为重要的可再生能源,适合大面积开发利用,但由于风能的随机性、波动性等特点,风力发电输出功率具有不稳定性,电网中大比例接入风电会严重威胁电力系统的安全运行。风电输出功率预测技术为解决这一问题提供了可能,这一技术可预测未来一段时间内风电厂输出功率,为制定合理的调度、检修计划提供依据,对提高风电利用率及风能利用水平有十分重要的意义。为提高风电输出功率的预测准确率,本文基于深度学习技术,研究风电短期输出功率预测,融合多源数据,使用机器学习及深度学习技术进行数据清洗,设计算法构造预测模型输入数据集,构建TLW-LSTM和LW-CLSTM两种深度学习模型,开展风电输出功率预测实验,并与决策树、随机森林、支持向量机等传统机器学习模型的预测效果进行对比,验证了本文基于深度学习构建的风电输出功率预测模型的有效性,提高了预测准确率。本文主要研究内容如下:(1)实现了基于机器学习的风电非平稳态时间序列数据清洗。首先对风电历史功率数据、历史气象数据及风机状态数据进行多元数据融合,提出使用孤立森林算法进行异常值检测并标记为缺失值,使用GRUI网络结构构建WGAN对抗神经网络模型进行缺失值填补,完成了风电数据的清洗,最大限度地保存了原有数据的特征,在实验中得到了比传统的均值填充、前后值填充更好的数据清洗效果,之后通过对融合数据进行降维、离散化、归一化和独热编码等一系列处理,实现了符合深度学习需求的数据预处理;(2)提出了基于时间滑动窗口的深度学习输入数据集构造算法。风电输出功率具有一定的周期性,本文提出用时间滑动窗口构建风电时序数据集,在扩展原始数据集、提高数据利用率充分挖掘数据特征的同时,有效提取了风电输出功率的时间周期特性,为使用深度神经网络实现风电输出功率的多变量非线性拟合创造了条件;(3)构建了基于深度学习的TLW-LSTM风电输出功率预测模型。使用时间滑动窗口算法构造数据集作为深度学习输入数据集,使用LSTM长短时记忆网络构建TLW-LSTM深度学习模型,模型使用两层全联接层作为输入和输出层、三层多节点LSTM层作为隐藏层,采用Nadam优化器、Droupout及正则化技术改进模型性能,实现了比传统机器学习模型更优良的预测效果,d＿MAE预测准确率达92.7%;(4)构建了基于CNN网络结构的LW-CLSTM深度学习预测模型。针对TLW-LSTM风电输出功率预测模型运算时间长、网络收敛慢的不足,使用CNN网络结构对TLW-LSTM模型进行优化,构建了LW-CLSTM深度学习模型。该模型利用了CNN出色的特征提取能力和LSTM的时间序列处理能力,在不降低预测准确率的前提下,有效提高了模型运算效率,在相同数据集上明显减小了计算时间达66%,为模型投入生产应用奠定了基础;(5)完成了传统机器学习模型与TLW-LSTM和LW-CLSTM两种深度学习模型的预测准确率及误差对比分析。为符合风电行业应用的预测评价,研究设计了最大相对误差统计分布法和MAE平均差值法两种准确率评价指标,应用到对比实验中。构建决策树、随机森林和支持向量机三种传统机器学习预测模型,使用相同的输入数据集进行模型训练和预测,与本文构建的TLW-LSTM和LW-CLSTM深度学习模型的预测结果进行对比,并分析预测误差及预测准确率,证实了本文构建的深度学习模型在预测准确率方面有明显优势。