文献类型：期刊文章

作　　者：程杰[1,2] 陈鼎[3] 李春[3] 钟伟东[3] 严婷[1,2] 窦春霞[1,2]

CHENG Jie;CHEN Ding;LI Chun;ZHONG Wei-dong;YAN Ting;DOU Chun-xia(Institute of Advanced Technology for Carbon Neutrality,Nanjing University of Posts and Telecommunications,Nanjing 210023,China;College of Automation&Artificial Intelligence,Nanjing University of Posts and Telecommunications,Nanjing 210023,China;Jiaxing Power Supply Company of State Grid Zhejiang Electric Power Company,Jiaxing 314000,China)

机构地区：[1]南京邮电大学,碳中和先进技术研究院,南京210023 [2]南京邮电大学自动化学院、人工智能学院,南京210023 [3]国网浙江省电力有限公司嘉兴供电公司,嘉兴314000

出　　处：《科学技术与工程》

基　　金：国网公司总部科技项目(5400-202219152A-1-1-ZN)。

年　　份：2023

卷　　号：23

期　　号：35

起止页码：15091-15099

语　　种：中文

收录情况：BDHX、BDHX2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：在未来高渗透率风电场景下,超短期风电功率预测研究对于实现电力系统优化运行具有重要意义。为此,提出一种基于GWO-CNN-BiLSTM的超短期风电预测方法。首先,搭建基于卷积神经网络(convolutional neural network,CNN)与双向长短期记忆神经网络(bidirectional long short term memory,BiLSTM)的组合模型,然后,为提升风电预测结果的精度,通过灰狼优化算法(grey wolf optimizer,GWO)对组合模型进行优化,使该组合模型参数能实时适应风电历史数据。最后,仿真结果验证了所提出方法的有效性和优越性。

关 键 词：风电预测 CNN BiLSTM  GWO  组合模型  

分 类 号：TM614]