基于深度門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測模型

牛哲文,余澤遠(yuǎn)，李 波，唐文虎

(華南理工大學(xué) 電力學(xué)院，廣東 廣州 510641)

0 引言

風(fēng)功率預(yù)測是風(fēng)力發(fā)電系統(tǒng)中的關(guān)鍵技術(shù)，準(zhǔn)確地對風(fēng)電場未來風(fēng)功率進(jìn)行預(yù)測可以有效地減少和避免風(fēng)電場對電力系統(tǒng)產(chǎn)生的沖擊[1]。因此，風(fēng)功率預(yù)測方法對風(fēng)力發(fā)電的可持續(xù)發(fā)展起著重要的作用。當(dāng)前的風(fēng)功率預(yù)測方法可以主要分為物理方法、統(tǒng)計學(xué)方法、學(xué)習(xí)方法以及上述方法的混合，每種方法都有各自適應(yīng)的時間尺度和數(shù)據(jù)類型[2]。

物理模型是一種間接預(yù)測風(fēng)功率的方法，它通過風(fēng)力發(fā)電機(jī)功率曲線來推算出風(fēng)功率的預(yù)測值[3]。物理模型在長期預(yù)測中有著較好的表現(xiàn)，但是由于存在著物理狀態(tài)到數(shù)值狀態(tài)的轉(zhuǎn)變，以及預(yù)測模型參數(shù)與以往數(shù)據(jù)沒有直接關(guān)聯(lián)，在短期預(yù)測中它的誤差會相對較高。

統(tǒng)計模型旨在利用統(tǒng)計學(xué)的方法，描繪出風(fēng)功率的預(yù)測值與以往的風(fēng)功率數(shù)據(jù)的時間序列之間的關(guān)系[4]。常用的統(tǒng)計學(xué)方法有時間序列模型、回歸分析模型以及卡爾曼濾波模型[5-6]。統(tǒng)計學(xué)模型可以有效地解決預(yù)測延遲的問題，但長期預(yù)測的準(zhǔn)確性較低。

學(xué)習(xí)模型的核心在于通過人工智能算法來構(gòu)建輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的關(guān)系。通過大量數(shù)據(jù)的訓(xùn)練與學(xué)習(xí)，使得模型能捕捉到數(shù)據(jù)中隱含的規(guī)律與邏輯，從而做出準(zhǔn)確的預(yù)測。文獻(xiàn)[7]中建立了一種由微分進(jìn)化優(yōu)化的支持向量機(jī)SVM(Support Vector Machine)模型，并通過小波變換對風(fēng)速數(shù)據(jù)進(jìn)行預(yù)處理來得到更加精確的風(fēng)功率預(yù)測結(jié)果。……