【技术实现步骤摘要】
一种基于深度神经网络的超短期风电功率预测方法
[0001]本专利技术涉及风电功率预测
,尤其是涉及一种基于深度神经网络的超短期风电功率预测方法。
技术介绍
[0002]常见的清洁再生能源类型主要包括:太阳能、氢能、风能、地热能、水能等。风能具备着无污染、对环境友好、既可陆建又可海建、运营和维护成本低等优点,被人们广泛使用,风力发电取得了空前发展,风电并网的比例逐年提升,但要实现动力系统的供需平衡、维护并电网运营的稳定性,就必然要对整个动力系统的总发电量进行规划和调整,但是在电力系统中风力发电实现供应与需求之间均衡发展具有不确定性。这主要由于风力发电的大小受风力的影响较大,而且风力还具有波动、非线性、随机性等特征,这就为并网的稳定、供需侧之间的平衡带来了巨大考验。因此提高风电功率预测的准确性是保证电力系统调度部门合理制定调度方案、提高风力发电并网的稳定性、经济性、保证电力系统供需侧平衡的重要手段之一。
[0003]根据所预测的时间尺度进行分类,又可分成超短期预测、短时预测、中长期预测。超短期预报还能够实现对电力系统的即时调节,以缓解供电调频等问题。在《风力风电功率预测规范》中规定了超短期分辨率为15min/次,每15分钟对风力电功率作出提前0
‑
4h之间任意时间段的预报。超短期的风速预测或者风电功率的预测通常采用风电场的历史数据,对于提前0
‑
3小时的预测,因为气象变化主要由大气条件的持续性决定,采用单一的数据预测出风速或风电功率,但是由于风速是一个不平稳和波动较强的信 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度神经网络的超短期风电功率预测方法,其特征在于,具体步骤如下:步骤S1:建立VMD
‑
ISSA
‑
ELMAN超短期风速预测模型,并通过前一时段风速数据进行风速预测得到预测风速;步骤S2:对历史风电功率数据进行数据清洗,将清洗后的数据通过ISSA
‑
ELMAN预测模型进行风速与功率的曲线拟合得到风速与功率曲线;步骤S3:通过预测风速和风速与功率曲线得到预测风电功率。2.根据权利要求1所述的一种基于深度神经网络的超短期风电功率预测方法,其特征在于,步骤S1具体为:步骤S11:通过前一时间段的风速数据进行VMD分解,并通过中心频率阀确定IMF分量的个数;步骤S12:过ISSA算法对ELMAN神经网络的权值和阈值进行寻优;步骤S13:对建立ELMAN神经网络并进行训练和测试,确定ELMAN神经网络拓扑结构;步骤S14:更新ELMAN神经网络的值和阈值得到基于ISSA算法的ELMAN神经网络;步骤S15:将分解后的IMF分量进行相关处理后输入基于ISSA算法的ELMAN神经网络中得到风速预测分量,将风速预测分量进行叠加得到下一时刻的预测风量。3.根据权利要求2所述的一种基于深度神经网络的超短期风电功率预测方法,其特征在于,通过改进的Tent映射和反向学习算法改进SSA算法得到ISSA算法,ISSA算法寻优步骤如下:首先,对种群进行初始化,设置种群参数;所述种群参数包括种群规模N、变量维数d、发现者PD、警戒者SD的个数、搜索边界值ub和lb、迭代的最大次数T、安全值R2以及警戒值ST;其次,通过改进的Tent映射法确定多个优化的初始种群;再次,对每个麻雀种群的适应度进行计算,筛选出当前最优值和最优值对应的麻雀位置,选择适应度靠前的麻雀作为发现者,随机选择种群作为警戒者,剩下为跟...
【专利技术属性】
技术研发人员:王宁,韩则胤,王恩路,沈忠鹏,刘发炳,
申请(专利权)人:中广核风电有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。