為了提高風(fēng)電場輸出功率預(yù)報的精度,提出一種將隨機(jī)森林（random forest, RF）與門控循環(huán)單元（gated recurrent unit, GRU）神經(jīng)網(wǎng)絡(luò)相結(jié)合的超短期風(fēng)電預(yù)測模型,并以云南李子箐風(fēng)電場10臺風(fēng)電機(jī)組作為研究對象,在風(fēng)電場配屬的1座測風(fēng)塔4個高度（10、30、50、70 m）上進(jìn)行風(fēng)速測量。將測風(fēng)塔所測的4層風(fēng)速數(shù)據(jù)和數(shù)值天氣預(yù)報（numerical weather prediction, NWP）系統(tǒng)的風(fēng)速輸出數(shù)據(jù)進(jìn)行歸一化處理;然后,計算4個不同高度的實測風(fēng)速數(shù)據(jù)和風(fēng)電場總輸出功率的皮爾遜相關(guān)系數(shù),確定出與風(fēng)電場輸出功率相關(guān)的最顯著實測風(fēng)速高度;接下來,構(gòu)建數(shù)值預(yù)報模型輸出的70 m風(fēng)速與風(fēng)電場測風(fēng)塔70 m高度處風(fēng)速之間的RF訂正模型,訓(xùn)練數(shù)值預(yù)報風(fēng)速產(chǎn)品,建立二者之間的映射關(guān)系;最后,用該映射關(guān)系訂正后的數(shù)值預(yù)報風(fēng)速輸入GRU神經(jīng)網(wǎng)絡(luò),預(yù)測風(fēng)電輸出功率。試驗結(jié)果表明:所提方法的預(yù)測精度較傳統(tǒng)誤差反向傳播（back propagation, BP）神經(jīng)網(wǎng)絡(luò)方法有了很大的改進(jìn)與提高,有利于進(jìn)一步提高風(fēng)電并網(wǎng)功率規(guī)模。 

【文章來源】：中國科技論文. 2020,15(09)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

RF結(jié)構(gòu)

RNN內(nèi)部結(jié)構(gòu)

Cho等[14]提出的GRU神經(jīng)網(wǎng)絡(luò)基于LSTM改進(jìn)而來,在克服梯度消失的基礎(chǔ)上提升了訓(xùn)練效率,簡化了模型結(jié)構(gòu)。圖3為典型的GRU神經(jīng)元結(jié)構(gòu),GRU將LSTM中的遺忘門和輸出門整合為單獨的更新門,將隱藏層神經(jīng)元結(jié)構(gòu)優(yōu)化為輸入門和更新門。當(dāng)GRU學(xué)習(xí)時間步長較長時,更新門較重置門更活躍。在預(yù)測精度相當(dāng)時,GRU訓(xùn)練效率優(yōu)于LSTM[15]。GRU網(wǎng)絡(luò)神經(jīng)元輸出值ht的計算過程為

【參考文獻(xiàn)】：
期刊論文
[1]一種結(jié)合CNN和GRU網(wǎng)絡(luò)的超短期風(fēng)電預(yù)測模型[J]. 薛陽,王琳,王舒,張亞飛,張寧.  可再生能源. 2019(03)
[2]基于KPCA-RF的風(fēng)電場功率預(yù)測方法研究[J]. 許杏花,潘庭龍.  可再生能源. 2018(09)
[3]基于長短期記憶網(wǎng)絡(luò)的風(fēng)電場發(fā)電功率超短期預(yù)測[J]. 朱喬木,李弘毅,王子琪,陳金富,王博.  電網(wǎng)技術(shù). 2017(12)
[4]基于NWP單點聚類分析與BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測[J]. 方市彬,厲虹,王麗婕.  電氣應(yīng)用. 2017(15)
[5]風(fēng)電場風(fēng)速及風(fēng)功率預(yù)測研究綜述[J]. 李博文,張靖.  貴州電力技術(shù). 2017(05)
[6]風(fēng)電集群短期及超短期功率預(yù)測精度改進(jìn)方法綜述[J]. 彭小圣,熊磊,文勁宇,程時杰,鄧迪元,馮雙磊,王勃.  中國電機(jī)工程學(xué)報. 2016(23)
[7]增量處理雙隱層BP神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測模型[J]. 韓爽,孟航,劉永前,閻潔.  太陽能學(xué)報. 2015(09)

碩士論文
[1]風(fēng)電場風(fēng)電功率預(yù)測模型及應(yīng)用研究[D]. 姚輝.東南大學(xué) 2015



本文編號：3289041