久久88香港三级台湾三级中文-久久91-久久91精品国产91久-久久91精品国产91久久-久久91精品国产91久久户

對風(fēng)場進(jìn)行風(fēng)速預(yù)測有利于風(fēng)場安全運行及含新能源并網(wǎng)的電網(wǎng)靈活調(diào)度，但風(fēng)速具有隨機(jī)性及低能量密度等特點，將導(dǎo)致電力系統(tǒng)運行的可靠性降低。因此，準(zhǔn)確地風(fēng)速預(yù)測對于風(fēng)電并網(wǎng)及電力系統(tǒng)的運行變得越發(fā)重要。

風(fēng)速預(yù)測方法按照原理可分為物理方法、統(tǒng)計學(xué)方法及人工智能方法。目前，大多數(shù)的國內(nèi)外學(xué)者選擇BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、極限學(xué)習(xí)機(jī)等人工智能方法對風(fēng)速進(jìn)行建模預(yù)測。雖然都取得了有效的預(yù)測結(jié)果，但這些淺層學(xué)習(xí)算法難以對輸入數(shù)據(jù)的深層特征進(jìn)行挖掘，從而限制了模型的預(yù)測精度。因此，深度學(xué)習(xí)算法近年來備受關(guān)注。

有學(xué)者運用灰色關(guān)聯(lián)決策分析了風(fēng)速與功率的關(guān)系，并利用其灰色關(guān)聯(lián)關(guān)系和風(fēng)速功率曲線建立了風(fēng)功率預(yù)測模型，但未考慮空間相關(guān)性對預(yù)測模型精度的影響。已有研究表明，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）可有效提取風(fēng)速數(shù)據(jù)中隱藏的非線性特征。

有學(xué)者提出利用CNN基于空間相關(guān)性提取多位置風(fēng)機(jī)的空間特征，對風(fēng)場多臺風(fēng)機(jī)進(jìn)行多位置多步預(yù)測，有效地提高了預(yù)測精度。對規(guī)模化風(fēng)場進(jìn)行風(fēng)速預(yù)測時需要考慮時空相關(guān)特性。研究表明，為提高風(fēng)速預(yù)測精度需要對風(fēng)速空間特征提取，該過程需要依靠高維數(shù)據(jù)信息，從而加重了模型計算的負(fù)擔(dān)，在效率方面存在一定弊端；現(xiàn)有優(yōu)化算法僅適用于單次優(yōu)化，不能執(zhí)行多個優(yōu)化控制，不能存儲和排序多個優(yōu)化結(jié)果。

東北電力大學(xué)等單位的科研人員對多位置多步風(fēng)速預(yù)測方法進(jìn)行改進(jìn)，在關(guān)聯(lián)分析環(huán)節(jié)提出一種風(fēng)速矩陣時空關(guān)聯(lián)分解重構(gòu)策略，運用改進(jìn)灰色關(guān)聯(lián)分析風(fēng)機(jī)的空間關(guān)聯(lián)度及單臺風(fēng)機(jī)風(fēng)速與功率的關(guān)聯(lián)度；提出時序控制的空間關(guān)聯(lián)優(yōu)化算法，對風(fēng)速矩陣關(guān)鍵信息進(jìn)行優(yōu)選重構(gòu)。在多步預(yù)測環(huán)節(jié)改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，引入記憶單元構(gòu)建卷積記憶網(wǎng)絡(luò)，進(jìn)行空間特征提取及超短期預(yù)測。

他們結(jié)合預(yù)測結(jié)果與實際數(shù)據(jù)，對所提方法的有效性進(jìn)行驗證，得出以下結(jié)論：

1）提出時空關(guān)聯(lián)分解策略，利用改進(jìn)灰色關(guān)聯(lián)法能夠考慮風(fēng)向因素分析風(fēng)速序列在空間分布上的關(guān)聯(lián)特性。

2）通過時序控制的空間關(guān)聯(lián)優(yōu)化算法可以對風(fēng)速關(guān)聯(lián)矩陣進(jìn)行排序優(yōu)選，并按照指定規(guī)則重構(gòu)空間風(fēng)速矩陣，從而降低關(guān)鍵信息提取的復(fù)雜度，提高運算效率。

3）風(fēng)速多步預(yù)測環(huán)節(jié)采用卷積記憶網(wǎng)絡(luò)能夠直接接收三維時空信息，深入挖掘風(fēng)速數(shù)據(jù)中的隱含特征；基于時空關(guān)聯(lián)的卷積壓縮能夠避免由于忽略空間信息所導(dǎo)致的預(yù)測精度下降問題，對風(fēng)速的隨機(jī)波動性具有較好的擬合效果。在此基礎(chǔ)上進(jìn)一步預(yù)測風(fēng)功率，并與實際數(shù)據(jù)對比，驗證了多步預(yù)測方法的準(zhǔn)確性與適用性。

本文編自2021年第22期《電工技術(shù)學(xué)報》，論文標(biāo)題為“基于時空關(guān)聯(lián)分解重構(gòu)的風(fēng)速超短期預(yù)測”，作者為潘超、李潤宇 等。