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 文基于长短期祌经网络(long short-term memory, LSTM)-时 间卷积神经网络(temporal convolutional network, T C N),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...
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...
为提高风电功率预测精度,以满足并网后电网调度的高精度要求,首先采用Spearman相关系数法,选取70 m高度处风速作为风速输入特征;然后将日特征相似度与形状相似度相结合以选取相似日,进而利用改进粒子群算法优化网络超参数;最后对比分析所提模型与反向传播神经网络(BP),极限学习机(ELM),长短期记忆神经网络(LSTM),改进PSO-...