為提高風(fēng)電功率預(yù)測(cè)的精確度,提出一種基于Kriging和長(zhǎng)短期記憶網(wǎng)絡(luò)的風(fēng)電功率組合預(yù)測(cè)模型。首先,將風(fēng)速、風(fēng)向、空氣密度、轉(zhuǎn)速、偏航角和槳距角作為輸入向量,并利用偏互信息理論對(duì)這些向量進(jìn)行加權(quán)處理,建立基于Kriging的風(fēng)電功率線性分量預(yù)測(cè)模型。然后,將預(yù)測(cè)出的線性分量加前述加權(quán)監(jiān)測(cè)量作為輸入,使用長(zhǎng)短期記憶網(wǎng)絡(luò)預(yù)測(cè)出功率的非線性分量。最后,將兩者的預(yù)測(cè)結(jié)果相結(jié)合,得出風(fēng)電功率的最終預(yù)測(cè)值。實(shí)例結(jié)果表明,該模型能夠利用Kriging和長(zhǎng)短期記憶網(wǎng)絡(luò)的優(yōu)勢(shì),預(yù)測(cè)性能指標(biāo)得到提高。 

【文章來源】：太陽能學(xué)報(bào). 2020,41(11)北大核心EICSCD

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引言
1 Kriging及LSTM網(wǎng)絡(luò)模型
    1.1 Kriging模型
    1.2 Kriging預(yù)測(cè)原理
    1.3 LSTM網(wǎng)絡(luò)原理
2 Kriging-LSTM風(fēng)電功率預(yù)測(cè)方法
    2.1 權(quán)重及數(shù)據(jù)標(biāo)準(zhǔn)化處理
    2.2 建立Kriging-LSTM預(yù)測(cè)模型
    2.3 預(yù)測(cè)精度評(píng)價(jià)指標(biāo)
3 實(shí)例驗(yàn)證
    3.1 實(shí)驗(yàn)說明與參數(shù)設(shè)置
    3.2 仿真結(jié)果及對(duì)比分析
4 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于ARIMA-LSTM的絕緣子狀態(tài)數(shù)據(jù)挖掘方法[J]. 羅龍,李兩桓,王成陽,盧沛東,楊培仕.  電力科學(xué)與技術(shù)學(xué)報(bào). 2017(04)
[2]基于長(zhǎng)短期記憶網(wǎng)絡(luò)的風(fēng)電場(chǎng)發(fā)電功率超短期預(yù)測(cè)[J]. 朱喬木,李弘毅,王子琪,陳金富,王博.  電網(wǎng)技術(shù). 2017(12)
[3]基于修正后ARIMA-GARCH模型的超短期風(fēng)速預(yù)測(cè)[J]. 丁藤,馮冬涵,林曉凡,陳靖文,陳麗霞.  電網(wǎng)技術(shù). 2017(06)
[4]基于動(dòng)態(tài)集成LSSVR的超短期風(fēng)電功率預(yù)測(cè)[J]. 劉榮勝,彭敏放,張海燕,萬勛,沈美娥.  湖南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(04)
[5]基于K-means聚類粒子群算法的多點(diǎn)PV-DG日前分配計(jì)劃[J]. 李磊,王俊熙,賀易,詹鵬,劉方方,湯弋.  高電壓技術(shù). 2017(04)
[6]基于數(shù)值天氣預(yù)報(bào)及模糊聚類的風(fēng)電功率智能組合預(yù)測(cè)[J]. 楊家然,王興成,羅曉芬,蔣程.  太陽能學(xué)報(bào). 2017(03)
[7]拉格朗日插值法光伏并網(wǎng)逆變器無差拍控制[J]. 康勁松,夏偉,楊純義.  太陽能學(xué)報(bào). 2017(03)
[8]基于ARIMA與ESN的短期風(fēng)速混合預(yù)測(cè)模型[J]. 田中大,李樹江,王艷紅,高憲文.  太陽能學(xué)報(bào). 2016(06)
[9]基于時(shí)序長(zhǎng)記憶模型的風(fēng)電場(chǎng)短期功率預(yù)測(cè)[J]. 盧錦玲,王陽,楊月,何振民,項(xiàng)麗,李笑寧.  科學(xué)技術(shù)與工程. 2015(34)
[10]區(qū)域風(fēng)電場(chǎng)短期風(fēng)電功率預(yù)測(cè)的最大相關(guān)–最小冗余數(shù)值天氣預(yù)報(bào)特征選取策略[J]. 趙永寧,葉林.  中國電機(jī)工程學(xué)報(bào). 2015(23)



本文編號(hào)：3171059