《電網(wǎng)技術(shù)》2017年第12期：3797-3802
精確的風電功率短期和超短期預(yù)測有助于減輕電力系統(tǒng)調(diào)峰、調(diào)頻壓力，對于風電并網(wǎng)具有重大意義。為捉住風電功率時間序列的本質(zhì)特點，進一步挖掘風電場中多種數(shù)據(jù)源提供的風電功率預(yù)測知識，運用LSTM網(wǎng)路進行風電功率超短期預(yù)測的看法應(yīng)運而生。
ANN、SVM等機器學習預(yù)測方式通過大量歷史數(shù)據(jù)構(gòu)建輸入、輸出變量間的非線性關(guān)系，將動態(tài)時間建模問題變?yōu)殪o態(tài)空間建模問題。事實上，作為典型的時間序列，風電功率除了具有非線性，且具有動態(tài)特點，即系統(tǒng)的輸出除了取決于當前時刻的輸入，還與歷史狀態(tài)緊密相關(guān)。針對已有研究的不足，本文借助LSTM網(wǎng)路對風電功率時間序列的時序相關(guān)性進行建模，同時，計及影響風電功率的多種誘因，完善了風電場發(fā)電功率的超短期預(yù)測模型，有效提升了預(yù)測精度。
1、提出了基于LSTM網(wǎng)路的風電場發(fā)電功率超短期預(yù)測模型，該模型還能從動態(tài)時間角度完成對風電功率時間序列的建模；
2、計及了影響風電場發(fā)電功率的多種氣象誘因，如風速、風向、溫度、大氣密度等。模型還能有效借助這種信息提高自身的外推能力。
推論
本文所提方式才能從時間序列的本質(zhì)特點出發(fā)，完成對風電功率的動態(tài)時間建模。且能有效借助多種變量信息，提高模型的外推能力。算例結(jié)果表明，本文方式較ANN和SVM等常規(guī)機器學習預(yù)測方式具有更高的預(yù)測精度。
現(xiàn)階段，僅借助歷史數(shù)據(jù)的機器學習預(yù)測方式在預(yù)測精度上還存在提高的空間。結(jié)合數(shù)值天氣預(yù)報（,NWP）信息對模型的預(yù)測結(jié)果進行校準風電功率預(yù)測數(shù)據(jù)，將有助于進一步增強機器學習預(yù)測方式的精度，這也將成為我們下一步的研究目標。
雷歐洲，王偉勝，印永華，等．風電對電力系統(tǒng)運行的價值剖析[J]．電網(wǎng)技術(shù)，2002，26(5)：10-14．
吳俊利，張步涵，王魁．基于的BP神經(jīng)網(wǎng)路改進算法在短期風速預(yù)測中的應(yīng)用[J]．電網(wǎng)技術(shù)，2012，36(9)：221-225．
作者介紹
陳金富（1972），男，博士，副院長，研究方向為電網(wǎng)剖析軟件技術(shù)，電力電子技術(shù)在電力系統(tǒng)中的應(yīng)用等,E-mail：。
華北科技學院電力系統(tǒng)剖析（Power,PSA）研究團隊目前擁有院士1人風電功率預(yù)測數(shù)據(jù)，副院長3人，研究生30余人。課題組多年來從事大規(guī)模電力系統(tǒng)剖析與估算相關(guān)方面研究，培養(yǎng)了多名中級專門人才，發(fā)表國際及國外SCI/EI學術(shù)論文多篇。先后承當或參與了國家重大基礎(chǔ)研究計劃、國家高技術(shù)發(fā)展計劃、國家科技支撐計劃和國家自然科學基金等多項研究課題。部份研究成果獲國家科技進步二等獎、湖北省科學技術(shù)進步銀獎、二等獎等。