基于改進粒子群的季節性風電出力場景預測

孫理昊

（北京科東電力控制系統有限責任公司通訊與安全分公司網絡安全集成部 北京市 100192）

在可持續，綠色發展的前提下，風能作為一種的可再生的清潔能源，在電網中所占的比重逐年上升。然而，風能具有很強的隨機性、地域性、波動性以及不確定性，這對風電大規模并網提出了巨大挑戰。在能源發展新形勢下，為降低風電并網對配電網的不良影響，加強其接入電網的積極作用，要對風電接入配電網時的出力預測進行研究。

目前，新能源并網已經成文國內外研究的熱點。為了對風速預測，文獻和文獻采用極限學習機（HELM）、差分進化算法（DE）的對LSTM 中的隱藏層數量進行優化以保持學習性能和模型復雜性之間的平衡。Altan A等人基于長短時記憶（LSTM）網絡和灰太狼優化器（GWO）分解方法，提出了一種新的混合WSF 非線性，根據從土耳其馬爾馬拉地區五個風電場收集的數據，采用了開發的非線性混合模型，預測精度上優于單一預測模型。Habib A為了提高短期風電預測精度，利用奇異譜分析將原始風電功率序列分解為趨勢分量和波動分量。然后利用最小二乘支持向量機（LSSVM）對趨勢分量進行預測，利用深度置信網絡（DBN）對波動分量進行預測，研究表明，所提出的組合模型為短期風電預測提供了一種有希望且有效的替代方案。Neshat M一種新的基于復合深度學習的進化方法，用于準確預測風力發電廠的發電量，該算法由自適應差分進化（SaDE）算法和作為超參數優化器的正弦-余弦優化方法組成，然后與稱為長短時記憶（LSTM）的遞歸神經網絡（RNN）相結合。……