基于改进神经网络的短期风力发电功率预测研究.pdfVIP

哈尔滨工业大学工程硕士学位论文

摘要

在当今全球能源问题日益紧张的背景下，以风能为代表的可再生能源开发

和应用日益受到重视。随着风能在电力系统商业应用领域规模的迅速扩大，大

规模风电并网已成为必然趋势。然而，由于风能具有间歇性和波动性的特点，

风力发电的出力也呈现出类似的间歇性和波动性特征。因此，风电并网面临以

下关键问题：并网后无法平衡电网负荷需求，从而威胁到电网系统的平稳运行；

电网预留风电消纳空间有限，降低了风电消纳能力。本文将通过分析数据、建

立特征工程、改进传统神经网络结构以及集成各改进预测模型的方法，在预测

性能定量评估中取得更好的风电功率预测性能评分，实现对短期风电出力的准

确预测。

针对原始采集数据中存在较多缺失值、异常值、共线特征、冗余信息以及

较严重的数据噪声导致数据规律不明显的问题，通过数据分析的手段明确数据

统计性质以及时序规律，从原始数据提取特征，使用新特征描述数据。基于数

据统计性质以及时序规律，构造新的特征数据，并通过数据筛选使得建立的模

型在未知数据上的性能表现达到或接近最佳预测性能。

研究基于卷积神经网络-长短期记忆网络对短期风电功率预测的准确度提

升。通过设计深层卷积神经网络，自动提取数据特征的高维特征，研究加入卷

积神经网络后，模型预测能力的变化情况。通过设计长短期记忆网络，解决简

单循环神经网络在反向传播中存在的梯度消失问题。根据模型性能定量评估的

需求，提出平衡偏差与方差的定量评估指标，并通过在测试集的预测验证设计

方案的正确性。

研究通过引入并改进图像处理、自然语言处理领域模型对短期风电功率预

测性能的提升。基于残差网络结构，解决神经网络退化的问题。基于膨胀卷积

的原理，提出将自然语言处理领域用于长序列预测的波网结构改进用于时序风

电预测，进一步提高模型预测性能。通过加入注意力机制，实现对高相关度特

征的更多注意力权值关注。在测试集上进行预测，验证改进模型相比传统预测

方法的优越性。

最后，基于国内不同地区、不同地形下的十四个风电场数据集，在该数据

集上进行本课题所提出的风电功率预测模型的训练以及预测，证明在短期预测

内，建立数据特征工程能够使得预测风电出力准确度达到更高。同时证明经过

-I-

哈尔滨工业大学工程硕士学位论文

不同的改进策略，不同模型能够在不同的风场上各自取得最优表现，而基于所

有改进模型，做模型集成、融合所有模型后的组合模型，能够实现在不同预测

时段、不同地区以及不同地形下均达到较好的预测效果。

关键词：风电预测；特征工程；神经网络；膨胀卷积；模型集成

-II-

哈尔滨工业大学工程硕士学位论文

Abstract

Againstthebackgroundoftheincreasinglytenseglobalenergyissue,the

developmentandapplicationofrenewableenergy,representedbywindenergy,are

increasinglyvalued.Aswindenergyisrapidlyexpandingitsscaleinthe

commercialapplicationofthepowersystem,large-scalewindpowergrid

connectionhasbecomeaninevitabletrend.However,duetotheintermittencyand

volatilityofwindenergy,theoutputofwindpowergenerationalsoexhibitssimilar

int