摘要: 风电已经成为目前最主要的可再生能源之一，在高比例可再生能源电力系统中扮演了重要的角色。然而风电具有波动性，大规模的风电并网将影响电力系统的安全、稳定和经济运行。大量的研究表明高精度的风电功率预测是解决该问题的重要手段之一。然而受限... 展开 风电已经成为目前最主要的可再生能源之一，在高比例可再生能源电力系统中扮演了重要的角色。然而风电具有波动性，大规模的风电并网将影响电力系统的安全、稳定和经济运行。大量的研究表明高精度的风电功率预测是解决该问题的重要手段之一。然而受限于单个风电场的预测建模仅仅考虑了当地的局部气象因素，模型输入信息较少，传统的单场建模方法已经难以满足电力系统高精度预测的需求。 当大规模的风电场并网时，同一区域内的大量风电场将受到相同天气系统影响，临近的风电场风速、功率之间存在明显的时空依赖关系。对多个风电场的风速进行同时预测建模，利用相邻多个风电场的风速信息提升风速的预测精度是当前风电场风速预测研究中的重要研究主题。 深度神经网络具有较强的非线性拟合能力，并且网络结构灵活，在可再生能源预测领域有广阔的应用前景。其中，长短时记忆网络在处理时间序列特征提取方面有较强的优势。 本文基于多风电场风速特征融合的思想，建立了多风电场超短期风速概率预测模型，模型采用长短时记忆网络作为风速序列的特征提取模块，并全连接神经网络对序列特征进行融合，最后还以分位数输出来同时获得多个风电场的风速概率预测结果。选取了中国南方三个相邻风电场的实测风速数据对模型进行了验证，验证结果表明:本文提出的多风电场超短期风速概率预测模型能够融合临近风电场的风速信息来提升区域内所有风电场在不同季节的风速预测精度。 收起