文献类型：期刊文章

作　　者：杨子民[1] 彭小圣[1] 熊予涵[2] 魏沛杰[1] 段睿钦[3] 周彬彬[3]

YANG Zimin;PENG Xiaosheng;XIONG Yuhan;WEI Peijie;DUAN Ruiqin;ZHOU Binbin(State Key Laboratory of Advanced Electromagnetic Engineering and Technology,School of Electrical and Electronic Engineering,Huazhong University of Science and Technology,Wuhan 430074,China;China-EU Institute for Clean and Renewable Energy,Huazhong University of Science and Technology,Wuhan 430074,China;Yunnan Power Dispatching and Control Center,Kunming 650011,China)

机构地区：[1]华中科技大学电气与电子工程学院,强电磁工程与新技术国家重点实验室,武汉430074 [2]华中科技大学中欧清洁与可再生能源学院,武汉430074 [3]云南电力调度控制中心,昆明650011

出　　处：《南方电网技术》

基　　金：中国南方电网有限责任公司科技项目(YNKJXM20210100);国家重点研发计划资助项目(2022YFB2403000)。

年　　份：2023

卷　　号：17

期　　号：2

起止页码：47-56

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2023_2024、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：高精度的短期风电功率预测对保障电力系统安全至关重要,因此提出了一种计及邻近风电场信息与CNNBiLSTM的短期风电功率预测方法,在深度学习预测建模环节除了采用目标风电场的NWP作为输入特征,还引入了邻近风电场的高相关特征。首先综合风速序列、功率序列间的相关性和距离,计算区域内各邻近风电场和目标风电场的复合相似度,并依据相似度排序选择高度相似的邻近风电场作为信息来源;再采用CEEMDAN频域信号分解和时间序列特征扩充构造高维特征集合,并引入浮动搜索特征选择算法对强相关特征进行优选;最后基于被选核心特征,开展基于CNN-BiLSTM深度神经网络的功率预测建模。算例结果表明,相较不引入邻近风电场信息的传统预测方法,所提方法能有效提升预测精度。

关 键 词：风电功率预测 邻近风电场  神经网络  新能源 新型电力系统  CNN-BiLSTM  

分 类 号：TM614]