考虑风电时序特性的深度小波-时序卷积网络超短期风功率预测

摘要：

超短期风电功率预测对于电力系统生产调度计划的制定具有重要意义,风电出力具有较强的随机性、波动性、不可控性.风电不确定性对风电时序关系的影响,给风电功率预测精度提出了挑战.针对上述问题,提出了基于离散小波变换(discrete wavelet transformation,DWT)、双深度Q网络(double depth Q network,DDQN)、时序卷积网络(temporal convolutional network,TCN)和注意力机制(Attention)的DWT-DDQN-TCN-Attention(DWT-DTCNA)超短期风功率预测方法.首先,利用DWT将风电数据序列分解为不同频率的风电数据集,对不同频率的风电数据集做自相关函数分析,提取高自相关性的风功率训练子集作为预测模型的输入.其次,根据DWT分解后得到的不同频率风功率数据集分别训练相应的TCNA的风电超短期预测模型,深度挖掘风电功率时序关系,获得精度更高、更稳定的预测结果.为减少深度学习模型的参数对预测精度的影响,采用DDQN算法优化预测模型的参数.最后,利用DWT将不同频率超短期风功率预测结果进行重构,获得了预测日的风电功率序列.以西北部某风电场实测数据为例进行仿真分析,结果表明所提方法能够充分提取风电功率序列的时序特征,优化模型内部参数,有效提高了超短期风电功率预测精度.

关键词：离散小波变换、时序卷积网络、深度强化学习、超短期预测、注意力机制

所属期刊栏目：47

分类号：TM614(发电、发电厂)

资助基金：国家自然科学基金51777027

在线出版日期：2023-04-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1653-1662,中插80-中插82