基于Kriging和长短期记忆网络的风电功率预测方法

发布时间：2021-05-06 02:28

　　为提高风电功率预测的精确度,提出一种基于Kriging和长短期记忆网络的风电功率组合预测模型。首先,将风速、风向、空气密度、转速、偏航角和桨距角作为输入向量,并利用偏互信息理论对这些向量进行加权处理,建立基于Kriging的风电功率线性分量预测模型。然后,将预测出的线性分量加前述加权监测量作为输入,使用长短期记忆网络预测出功率的非线性分量。最后,将两者的预测结果相结合,得出风电功率的最终预测值。实例结果表明,该模型能够利用Kriging和长短期记忆网络的优势,预测性能指标得到提高。 

【文章来源】：太阳能学报. 2020,41(11)北大核心EICSCD

【文章页数】：7 页

【文章目录】：
0 引言
1 Kriging及LSTM网络模型
    1.1 Kriging模型
    1.2 Kriging预测原理
    1.3 LSTM网络原理
2 Kriging-LSTM风电功率预测方法
    2.1 权重及数据标准化处理
    2.2 建立Kriging-LSTM预测模型
    2.3 预测精度评价指标
3 实例验证
    3.1 实验说明与参数设置
    3.2 仿真结果及对比分析
4 结论


【参考文献】：
期刊论文
[1]基于ARIMA-LSTM的绝缘子状态数据挖掘方法[J]. 罗龙,李两桓,王成阳,卢沛东,杨培仕.  电力科学与技术学报. 2017(04)
[2]基于长短期记忆网络的风电场发电功率超短期预测[J]. 朱乔木,李弘毅,王子琪,陈金富,王博.  电网技术. 2017(12)
[3]基于修正后ARIMA-GARCH模型的超短期风速预测[J]. 丁藤,冯冬涵,林晓凡,陈靖文,陈丽霞.  电网技术. 2017(06)
[4]基于动态集成LSSVR的超短期风电功率预测[J]. 刘荣胜,彭敏放,张海燕,万勋,沈美娥.  湖南大学学报(自然科学版). 2017(04)
[5]基于K-means聚类粒子群算法的多点PV-DG日前分配计划[J]. 李磊,王俊熙,贺易,詹鹏,刘方方,汤弋.  高电压技术. 2017(04)
[6]基于数值天气预报及模糊聚类的风电功率智能组合预测[J]. 杨家然,王兴成,罗晓芬,蒋程.  太阳能学报. 2017(03)
[7]拉格朗日插值法光伏并网逆变器无差拍控制[J]. 康劲松,夏伟,杨纯义.  太阳能学报. 2017(03)
[8]基于ARIMA与ESN的短期风速混合预测模型[J]. 田中大,李树江,王艳红,高宪文.  太阳能学报. 2016(06)
[9]基于时序长记忆模型的风电场短期功率预测[J]. 卢锦玲,王阳,杨月,何振民,项丽,李笑宁.  科学技术与工程. 2015(34)
[10]区域风电场短期风电功率预测的最大相关–最小冗余数值天气预报特征选取策略[J]. 赵永宁,叶林.  中国电机工程学报. 2015(23)



本文编号：3171059