- 頭條東北電力大學科研人員提出一種改進的風電多位置多步風速預測方法2022-04-13 作者：潘超、李潤宇 等 | 來源：《電工技術學報》 | 點擊率：導語考慮風速的空間關聯性進行多步預測是規模化風電并網的研究熱點，現代電力系統仿真控制與綠色電能新技術教育部重點實驗室（東北電力大學）、松花江水力發電有限公司吉林白山發電廠的研究人員潘超、李潤宇 等，在2021年第22期《電工技術學報》上撰文，提出一種改進的多位置多步風速預測方法。
對風場進行風速預測有利于風場安全運行及含新能源并網的電網靈活調度，但風速具有隨機性及低能量密度等特點，將導致電力系統運行的可靠性降低。因此，準確地風速預測對于風電并網及電力系統的運行變得越發重要。
風速預測方法按照原理可分為物理方法、統計學方法及人工智能方法。目前，大多數的國內外學者選擇BP神經網絡、支持向量機、極限學習機等人工智能方法對風速進行建模預測。雖然都取得了有效的預測結果，但這些淺層學習算法難以對輸入數據的深層特征進行挖掘，從而限制了模型的預測精度。因此，深度學習算法近年來備受關注。
有學者運用灰色關聯決策分析了風速與功率的關系，并利用其灰色關聯關系和風速功率曲線建立了風功率預測模型，但未考慮空間相關性對預測模型精度的影響。已有研究表明，卷積神經網絡（Convolutional Neural Network，CNN）可有效提取風速數據中隱藏的非線性特征。
有學者提出利用CNN基于空間相關性提取多位置風機的空間特征，對風場多臺風機進行多位置多步預測，有效地提高了預測精度。對規模化風場進行風速預測時需要考慮時空相關特性。研究表明，為提高風速預測精度需要對風速空間特征提取，該過程需要依靠高維數據信息，從而加重了模型計算的負擔，在效率方面存在一定弊端；現有優化算法僅適用于單次優化，不能執行多個優化控制，不能存儲和排序多個優化結果。
東北電力大學等單位的科研人員對多位置多步風速預測方法進行改進，在關聯分析環節提出一種風速矩陣時空關聯分解重構策略，運用改進灰色關聯分析風機的空間關聯度及單臺風機風速與功率的關聯度；提出時序控制的空間關聯優化算法，對風速矩陣關鍵信息進行優選重構。在多步預測環節改進卷積神經網絡，引入記憶單元構建卷積記憶網絡，進行空間特征提取及超短期預測。
他們結合預測結果與實際數據，對所提方法的有效性進行驗證，得出以下結論：
1）提出時空關聯分解策略，利用改進灰色關聯法能夠考慮風向因素分析風速序列在空間分布上的關聯特性。
2）通過時序控制的空間關聯優化算法可以對風速關聯矩陣進行排序優選，并按照指定規則重構空間風速矩陣，從而降低關鍵信息提取的復雜度，提高運算效率。
3）風速多步預測環節采用卷積記憶網絡能夠直接接收三維時空信息，深入挖掘風速數據中的隱含特征；基于時空關聯的卷積壓縮能夠避免由于忽略空間信息所導致的預測精度下降問題，對風速的隨機波動性具有較好的擬合效果。在此基礎上進一步預測風功率，并與實際數據對比，驗證了多步預測方法的準確性與適用性。
本文編自2021年第22期《電工技術學報》，論文標題為“基于時空關聯分解重構的風速超短期預測”，作者為潘超、李潤宇 等。
