LSTMRF的中長期風電功率組合預測方法

何健偉, 曹渝昆

(1.廣東電網有限責任公司 江門市供電局, 廣東 江門 529000; 2.上海電力大學 計算機科學與技術學院, 上海 200090)

從2010年起,我國的風機裝機容量,無論是總裝機容量還是新增裝機容量,都已躍升為世界第一[1]。但隨著裝機容量的日漸增大,部分地區的棄風現象開始變得嚴重起來。2017第一季度的棄風現象雖有減緩,但仍不容樂觀。一般來說,風電功率預測可劃分為超短期、短期和中長期3個時間尺度。超短期的預測是指超前0～3 h的預測,時間分辨率不小于15 min,用于風電實時的調度;短期預測是預測未來1～3日的數據,時間分辨率為0.5～1 h;而中長期的預測,時間分辨率多為24 h,超前72 h以上預測發電量。超短期和短期的風電出力預測能夠為風電并網和實時調度提供技術性的參考指標;而中長期的風電預測,能夠協助風電的資源評測,方便風電場的機組檢修安排,從宏觀上也能減少棄風,提高風電場的發電量和容量系數,為風電的長期發展以及電網的建設調度提供輔助支撐。

目前,根據預測原理,風電發電量預測模型主要分為統計模型和物理模型兩類[2]。前者可以細分為時序外推法和人工智能法。時序外推法一般使用發電量的歷史數據對未來值進行預測,一般使用自回歸積分滑動平均(Auto Regressive Integrated Moving Average,ARIMA)模型和卡爾曼濾波法[3];而人工智能法多采用神經網絡[4]和支持向量機(Support Vector Machine,SVM)[5],利用數值天氣預報(Numerical Weather Prediction,NWP)的歷史數據和未來的預測數據,尋找歷史輸入與輸出的對應關系。

單一的輸入數據和方法難以滿足精度要求日漸嚴苛的風電預測[6],因此不少研究者提出了組合的預測方式。……