NWP辅助复合神经网络预测误差修正的风储系统日前上报策略.pdfVIP

第45卷第10期太阳能学报Vol.45，No.10

2024年10月ACTAENERGIAESOLARISSINICAOct.，2024

DOI：10.19912/j.0254-0096.tynxb.2023-0777文章编号：0254-0096（2024）10-0086-11

NWP辅助复合神经网络预测误差修正的风储系统

日前上报策略

111112

李翠萍，张冰，李军徽，朱辉，朱星旭，何俐

（1.现代电力系统仿真控制与绿色电能新技术教育部重点实验室（东北电力大学），吉林132012；

2.中国三峡新能源（集团）股份有限公司，北京100053）

摘要：新能源电站出力存在强波动性导致巨额偏差考核支出，因此基于数值天气预报（NWP）和复合深度学习算法，提出一

种计及误差预测修正的风储系统日前上报策略。首先通过改进的组合数据预处理算法对数据进行清洗以降低后续预测难度，

建立基于分段式收敛粒子群算法（PCPSO）参数寻优的长短期记忆网络（LSTM）对分量分别进行预测，重构预测结果获取原预

测曲线。其次考虑预测误差及NWP信息导入多输入反向传播神经网络（MIBP）获取误差预测曲线，使用非参数核密度函数修

订该预测误差曲线后，以储能跟踪误差最小和储能全局调控能力最高为目的模拟储能运行获取最佳储能动作曲线，且叠加原

预测曲线和最佳储能动作曲线获取最终日前上报曲线。最后通过仿真分析验证了上报策略的正确性与可行性。

关键词：风电；深度神经网络；粒子群优化；储能；日前上报策略；预测误差特征；NWP信息

中图分类号：TM614文献标志码：A

于其本身固有短处将不可避免地存在难以降低的误差，采

0引言

用多智能算法复合模型因为算法之间长短处互相弥补因而

随着“双碳”政策的实施，国家电网新能源装机容量不断可进一步提高预测准确率。且一般上报计划并未考虑储能

提升，截至2022底，风电占全国总装机容量的14.2%，新增风的作用，单纯依靠预测方法将其作为上报计划直接上报。

［1］

电占新能源装机容量的24.7%，风力发电机组占比高且此外，在使用预测模型之前有必要对数据进行预处理

随机性较强，高精度风电预测能减少弃风和提高电力系统以更好的提取保留数据特征，增强后续预测模型的预测准

［2-3］

运行的安全稳定性。然而大多短期预测精度相对不高，确度。文献［14-18］首先使用不同的数据分解算法对数据

在其并网之后会对电力系统的安全稳定运行造成一定的威分解出本征模函数（intrinsicmodefunction，IMF），其次重构

［4-5］

胁。储能可对风电偏差进行时空偏移，继而提升预测精分量预测结果，但分解算法都存在模态混合的缺陷。

［6］

度。因此有必要对计及储能的风电场日前上报策略进行在研究预测误差方面，文献［19］使用核