基于DPSO优化的CNN-GRU短期风电功率预测研究.pdfVIP

摘要

随着经济与科技的持续发展以及人们对能源的需求与日俱增，风力发电技术的迅速

发展与碳中和政策的逐步推进，使风力发电入网比例不断增加。但是风力发电受气象因

素影响巨大，并且风力资源具有随机性、间断性以及波动性的天然特性，因此风力发电

的大规模上网会对电网造成很大的冲击甚至影响电力系统的稳定运行。目前，对风电功

率的预测研究基本都在数据处理、模型算法、以及算法优化等方面，但仍需要进一步对

相关领域进行研究，基于此本文具体进行的工作如下：

(1)研究了原始数据的预处理方法，提出利用DBSCAN算法与随机森林算法进行数

据预处理。风电原始数据处理包括数据的降维处理、异常数据的检测以及替换。首先，

针对数据的降维处理的问题，本文提出了提出利用斯皮尔曼相关性系数并采用热力图进

行可视化的方法，筛选出与风电机组输出功率相关性高的影响因素。然后为了提高数据

质量进行了异常数据的检测，提出基于DBSCAN算法进行异常值的检测并对异常值进

行剔除，异常数据的清洗是通过利用随机森林算法对剔除的异常值进行填充。最后采用

新疆某风电场的数据对上述方法进行了验证，经过处理的数据的相关系数进一步提升并

且更符合风机在理想状态下的风速功率曲线。

(2)研究了采用神经网络模型的风电功率预测方法，提出了基于PSO优化算法的

PSO-GRU模型。首先对RNN、LSTM、GRU三种传统单一神经网络的原理、训练方法

进行了研究，并搭建了三种神经网络的训练模型，依托预处理后的新疆某风电场数据对

风电功率进行了初步的预测。经验证，GRU相较于RNN、LSTM模型的综合性能更为

优越。最后为了进一步提升模型预测能力，采用PSO算法优化模型的超参数设置，使

GRU模型更适应数据集的特性，提高了模型的预测精度和泛化能力。

(3)研究了CNN神经网络特性并对PSO算法进行改进，提出了DPSO-CNN-GRU

组合模型。经研究，CNN神经网络具有能够进一步提取原数据中重要信息的特性。首先

搭建了CNN-GRU组合模型，通过实验表明CNN-GRU组合模型在预测精度上有了很大

的提高并改善了单一模型对数据特征提取不足的缺陷，然后基于PSO算法对模型的超

参数选择进行优化提高了预测精度。为了避免PSO算法参数固定的局限性，利用动态调

整策略进行优化得到了基于动态策略的DPSO算法，经实验表明，DPSO-CNN-GRU模

型的振荡性减少且预测精度有了很大的提升。最后通过进一步与Attention-RNN、EMD-

LSTM和RNN-MLP组合模型进行对比，表明DPSO-CNN-GRU模型在预测精确度和数

据变化适应性方面具有优越性。

综上所述，本文利用相关系数法对相关特征进行筛选并采用DBSCAN与随机森林

算法对数据进行预处理。然后对三种单一模型的预测性能进行了实验，并采用PSO算法

对其超参数进行优化。之后结合CNN算法提出了PSO-CNN-GRU模型加强对单一模型

的特征提取以及超参数调整能力，最后对PSO算法采用动态策略进行改进，提出了

DPSO-CNN-GRU算法，并与Attention-RNN、EMD-LSTM和RNN-MLP组合模型进行

对比，验证了DPSO-CNN-GRU算法在预测精度上的优越性。

关键词：风电数据预处理；组合模型；DPSO优化算法；风电功率预测

Abstract

Withthecontinuousdevelopmentofeconomyandscienceandtechnologyandpeoples

increasingdemandforenergy,therapiddevelopmentofwindpowergenerationtechnologyand

thegradualpromotionofcarbonneutralpolicy,theproportionofwindpowerintothenetwork

continuestoincrease.However,windpowergeneration