一种基于深度学习的FRS-CLSTM风速预测模型

发布时间：2021-03-14 22:40

　　为了实现高精度的风速预测,提出一种基于深度学习的模糊粗糙集（FRS）-神经网络（CLSTM）风速预测模型,该模型由FRS和CLSTM深度学习模型2部分组成。首先由FRS对自然特性时间序列参数进行属性约简,对庞大的数据集进行数据降维;然后结合风电机组风速软测量理论,优化确定CLSTM深度学习模型的输入参数;最后CLSTM深度学习利用卷积神经网络提取短期的多维度时间变量的依赖关系,利用循环神经网络捕获输入时间序列时间跨度上的长期特性,进而得到最终的预测风速。以某风电场实测数据为例进行仿真测试,结果表明所提出的FRS-CLSTM风速预测方法可有效提高风速的预测精度。 

【文章来源】：太阳能学报. 2020,41(09)北大核心

【文章页数】：7 页

【部分图文】：

预测结果

CLSTM深度学习预测模型结构

风参数

【参考文献】：
期刊论文
[1]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)
[2]基于STCP-BP的风速实时预测方法研究[J]. 刘兴杰,郑文书.  太阳能学报. 2015(08)
[3]F-模糊粗糙集及其约简[J]. 邓大勇,徐小玉,裴明华.  浙江师范大学学报(自然科学版). 2015(01)
[4]基于模糊粗糙集和支持向量机的化工过程故障诊断[J]. 王鲜芳,王岁花,杜昊泽,王平.  控制与决策. 2015(02)
[5]基于粗糙集理论-主成分分析的Elman神经网络短期风速预测[J]. 尹东阳,盛义发,蒋明洁,李永胜,谢曲天.  电力系统保护与控制. 2014(11)
[6]PCA和KICA特征提取的变压器故障诊断模型[J]. 唐勇波,桂卫华,彭涛,欧阳伟.  高电压技术. 2014(02)
[7]双馈风电机组接入对电力系统功角稳定性的影响[J]. 于强,孙华东,汤涌,赵兵,顾卓远.  电网技术. 2013(12)
[8]基于机组动态风速信息的风电场有功控制策略[J]. 赵洪山,刘兴杰,李聪.  电力科学与工程. 2013(01)
[9]风速与风电功率预测误差概率分布的时变特性分析[J]. 王松岩,李碧君,于继来,徐泰山.  电网技术. 2013(04)
[10]基于Adaboost的BP神经网络改进算法在短期风速预测中的应用[J]. 吴俊利,张步涵,王魁.  电网技术. 2012(09)

硕士论文
[1]大规模风电接入对电力系统AGC控制参数的影响[D]. 张宇泽.华北电力大学(北京) 2016



本文编号：3083081