科研之友
微信
新浪微博
Facebook
分享链接
摘要
超短期风电功率预测对于电力系统生产调度计划的制定具有重要意义，风电出力具有较强的随机性、波动性、不可控性。风电不确定性对风电时序关系的影响，给风电功率预测精度提出了挑战。针对上述问题，提出基于DWT-DDQN-TCN-Attention（DWT-DTCNA）网络的超短期风功率预测方法，由离散小波变换（Discrete Wavelet Transformation， DWT）、双深度Q网络（Double Depth Q Network， DDQN）、时序卷积网络（Temporal Convolutional Network， TCN）和注意力机制（Attention）组成。首先，利用DWT将风电数据序列分解为不同频率的风电数据集，对不同频率的风电数据集做自相关函数分析，提取高自相关性的风功率训练子集作为预测模型的输入。其次，根据DWT分解后得到的不同频率风功率数据集分别训练相应的TCNA的风电超短期预测模型，深度挖掘风电功率时序关系，获得精度更高、更稳定的预测结果。为了减少深度学习模型的参数对预测精度的影响，采用DDQN算法优化预测模型的参数。最后，利用DWT将不同频率超短期风功率预测结果进行重构获得预测日的风电功率序列。以西北部某风电场实测数据为例进行仿真分析，结果表明本文所提方法能够充分提取风电功率序列的时序特征，优化模型内部参数，有效地提高了超短期风电功率预测精度。
- 出版日期2022-11-25
- 单位国网冀北电力有限公司承德供电公司; 东北电力大学
