為了實現高精度的風速預測,提出一種基于深度學習的模糊粗糙集（FRS）-神經網絡（CLSTM）風速預測模型,該模型由FRS和CLSTM深度學習模型2部分組成。首先由FRS對自然特性時間序列參數進行屬性約簡,對龐大的數據集進行數據降維;然后結合風電機組風速軟測量理論,優(yōu)化確定CLSTM深度學習模型的輸入參數;最后CLSTM深度學習利用卷積神經網絡提取短期的多維度時間變量的依賴關系,利用循環(huán)神經網絡捕獲輸入時間序列時間跨度上的長期特性,進而得到最終的預測風速。以某風電場實測數據為例進行仿真測試,結果表明所提出的FRS-CLSTM風速預測方法可有效提高風速的預測精度。 

【文章來源】：太陽能學報. 2020,41(09)北大核心

【文章頁數】：7 頁

【部分圖文】：

預測結果

CLSTM深度學習預測模型結構

風參數

【參考文獻】：
期刊論文
[1]基于ARIMA與ESN的短期風速混合預測模型[J]. 田中大,李樹江,王艷紅,高憲文.  太陽能學報. 2016(06)
[2]基于STCP-BP的風速實時預測方法研究[J]. 劉興杰,鄭文書.  太陽能學報. 2015(08)
[3]F-模糊粗糙集及其約簡[J]. 鄧大勇,徐小玉,裴明華.  浙江師范大學學報(自然科學版). 2015(01)
[4]基于模糊粗糙集和支持向量機的化工過程故障診斷[J]. 王鮮芳,王歲花,杜昊澤,王平.  控制與決策. 2015(02)
[5]基于粗糙集理論-主成分分析的Elman神經網絡短期風速預測[J]. 尹東陽,盛義發(fā),蔣明潔,李永勝,謝曲天.  電力系統(tǒng)保護與控制. 2014(11)
[6]PCA和KICA特征提取的變壓器故障診斷模型[J]. 唐勇波,桂衛(wèi)華,彭濤,歐陽偉.  高電壓技術. 2014(02)
[7]雙饋風電機組接入對電力系統(tǒng)功角穩(wěn)定性的影響[J]. 于強,孫華東,湯涌,趙兵,顧卓遠.  電網技術. 2013(12)
[8]基于機組動態(tài)風速信息的風電場有功控制策略[J]. 趙洪山,劉興杰,李聰.  電力科學與工程. 2013(01)
[9]風速與風電功率預測誤差概率分布的時變特性分析[J]. 王松巖,李碧君,于繼來,徐泰山.  電網技術. 2013(04)
[10]基于Adaboost的BP神經網絡改進算法在短期風速預測中的應用[J]. 吳俊利,張步涵,王魁.  電網技術. 2012(09)

碩士論文
[1]大規(guī)模風電接入對電力系統(tǒng)AGC控制參數的影響[D]. 張宇澤.華北電力大學(北京) 2016



本文編號：3083081