10.13334/j.0258-8013.pcsee.210724
基于改进LSTM-TCN模型的海上风电超短期功率预测
风功率精确预测是实现大规模海上风电友好并网的重要手段.大型海上风电场机组台数众多,状态各异.机组状态、尾流影响和时空特性对风功率预测的影响不可忽略.该文基于长短期神经网络(long short-term memory,LSTM)–时间卷积神经网络(temporal convolutional network,TCN),提出了一种考虑机组状态、风机尾流和场群空间分布特性的海上风电超短期功率预测方法.首先分析了机组状态和尾流数据对于功率预测的影响,然后基于LSTM建立了风电机组运行数据深度学习预测模型,实现机组健康状态到运行数据的映射,并通过数据的实时滚动对机组健康状态进行持续修正;在此基础上,加入注意力强化和随机空间特性弱化模块的改进LSTM-TCN模型.通过实际运行数据算例分析,相比TCN算法、LSTM算法,该文方法可提升风功率预测的精度,尤其对于海上常见的风速骤变工况适应性较强,对TCN算法过于强化空间特性的问题进行改进.以该模型的精确预测为基础,可进一步用于大规模海上风电场内机组的协调优化控制,提升海上风电出力可靠性.
海上风电、风功率预测、机组状态、时空特性、时间卷积神经网络
42
TM614(发电、发电厂)
国家自然科学基金;上海市教委自然科学重大项目;上海高校特聘教授东方学者岗位计划
2022-06-29(万方平台首次上网日期,不代表论文的发表时间)
共12页
4292-4302,中插2