基于RF和GRU组合算法的超短期风电功率预测

发布时间：2021-07-18 06:30

　　为了提高风电场输出功率预报的精度,提出一种将随机森林（random forest, RF）与门控循环单元（gated recurrent unit, GRU）神经网络相结合的超短期风电预测模型,并以云南李子箐风电场10台风电机组作为研究对象,在风电场配属的1座测风塔4个高度（10、30、50、70 m）上进行风速测量。将测风塔所测的4层风速数据和数值天气预报（numerical weather prediction, NWP）系统的风速输出数据进行归一化处理;然后,计算4个不同高度的实测风速数据和风电场总输出功率的皮尔逊相关系数,确定出与风电场输出功率相关的最显著实测风速高度;接下来,构建数值预报模型输出的70 m风速与风电场测风塔70 m高度处风速之间的RF订正模型,训练数值预报风速产品,建立二者之间的映射关系;最后,用该映射关系订正后的数值预报风速输入GRU神经网络,预测风电输出功率。试验结果表明:所提方法的预测精度较传统误差反向传播（back propagation, BP）神经网络方法有了很大的改进与提高,有利于进一步提高风电并网功率规模。 

【文章来源】：中国科技论文. 2020,15(09)北大核心

【文章页数】：6 页

【部分图文】：

RF结构

RNN内部结构

Cho等[14]提出的GRU神经网络基于LSTM改进而来,在克服梯度消失的基础上提升了训练效率,简化了模型结构。图3为典型的GRU神经元结构,GRU将LSTM中的遗忘门和输出门整合为单独的更新门,将隐藏层神经元结构优化为输入门和更新门。当GRU学习时间步长较长时,更新门较重置门更活跃。在预测精度相当时,GRU训练效率优于LSTM[15]。GRU网络神经元输出值ht的计算过程为

【参考文献】：
期刊论文
[1]一种结合CNN和GRU网络的超短期风电预测模型[J]. 薛阳,王琳,王舒,张亚飞,张宁.  可再生能源. 2019(03)
[2]基于KPCA-RF的风电场功率预测方法研究[J]. 许杏花,潘庭龙.  可再生能源. 2018(09)
[3]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)
[4]基于NWP单点聚类分析与BP神经网络的短期风电功率预测[J]. 方市彬,厉虹,王丽婕.  电气应用. 2017(15)
[5]风电场风速及风功率预测研究综述[J]. 李博文,张靖.  贵州电力技术. 2017(05)
[6]风电集群短期及超短期功率预测精度改进方法综述[J]. 彭小圣,熊磊,文劲宇,程时杰,邓迪元,冯双磊,王勃.  中国电机工程学报. 2016(23)
[7]增量处理双隐层BP神经网络风电功率预测模型[J]. 韩爽,孟航,刘永前,阎洁.  太阳能学报. 2015(09)

硕士论文
[1]风电场风电功率预测模型及应用研究[D]. 姚辉.东南大学 2015



本文编号：3289041