摘要: 风电出力具有不确定性，大规模的风电并网对电力系统的安全、稳定、经济运行带来了严峻的挑战。较准确的风速预测是应对上述挑战的重要技术手段。准确的风速预测不仅能够优化机组组合、减少系统旋转备用容量、减少风电场弃风限电，还能为风电企业合理... 展开 风电出力具有不确定性，大规模的风电并网对电力系统的安全、稳定、经济运行带来了严峻的挑战。较准确的风速预测是应对上述挑战的重要技术手段。准确的风速预测不仅能够优化机组组合、减少系统旋转备用容量、减少风电场弃风限电，还能为风电企业合理安排发电交易计划提供重要参考，提高风电企业在市场竞争中的竞争力，对于电力系统有着十分重要的意义。如何提升超短期风速预测的精度是目前研究中的重点和难点。考虑时空关系的风速预测建模方法同时输入了相邻多个点位的风速信息，能够提升区域整体的风速预测水平，是目前提升风速预测精度的有效方法之一。 为进一步提升风速预测的精度，本文将深度学习算法中的长短时记忆网络(LSTM)引入风速预测建模中来，构建了一种融合长短时记忆网络的超短期风速预测模型。该模型的研究重点是对多个风电场间的多维度时间序列进行特征提取并学习到风电场间的时空相关关系，从而提升风速预测精度。本文通过使用LSTM对每个风电场的风速序列特征进行学习，采用特征融合模块对多个风电场的风速序列特征进行融合，最后经过全连接输出层统一输出多个风电场的预测风速。该模型的创新点是充分利用了长短时记忆网络的时间序列特征提取能力以及全连接网络的特征融合能力，直观地考虑到了多个风电场风速的时空相关性。此外，该模型拥有较强的适应性，模型时间序列特征提取模块的设计充分考虑了预测风电场群的规模，可以通过增加时间序列特征提取模块的输入数据长度，从而保证该模型适用于较大尺度的风电场群落。 采用南方某省三个相邻风电场两年的数据对模型进行验证，算例分析结果表明：本文提出的融合长短时记忆网络模型在一号风电场四个季节的预测平均绝对误差降低了5.6%-39.3%，均方根误差降低了5.2%-44.9%；二号风电场在四个季节的预测平均绝对误差降低了3.3%-15.7%，均方根误差降低了3.7%-22.6%；三号风电场预测平均绝对误差降低了5.9%-15.9%，均方根误差降低了2.7%-22.6%。所提出的融合长短时记忆网络模型获得比单个风电场预测建模更好的预测效果，不仅能够实现多个风电场的超短期风速预测，而且能够融合临近风电场的风速信息，提升了整体的预测水平。 收起