基于深度学习的风电功率预测方法.pdfVIP

摘要

近年来，工业经济面临新形势，能源消费结构纵深推动绿色低碳发展，风力

发电作为绿色电力的主力军，逐渐受到各国的青睐。但是风力在使用时并不可以

随用随取，它有着很多不确定的因素，容易受到天气、季节的影响而发生改变，

使得风力发电功率呈现不稳定、波动性等特性，从而产生与电力消耗不匹配等问

题，所以如何能够准确的预测风的功率，使得风力和电力之间默契配合，以此促

进电力系统的平稳运行，成了目前亟待解决的世界性问题。为此，本文提出研究

短期风功率预测，其具有很好的工程实用价值，具体内容如下：

（1）针对传统物理机理驱动预测风电功率的方法中单一模型存在预测结果

精确度欠佳、泛化能力弱的问题，提出一种基于注意力机制（Attention

Mechanisms，AM）的VMD-CNN-LSTM短期风电功率组合模型预测方案。首先

采用变分模态分解（VariationalModeDecomposition，VMD）算法将风电功率序

列分解并进行重构。然后利用AM对每个特征分配不同权重，从而减少对不必要

特征的依赖，缓解模型的过拟合现象。最后通过CNN-LSTM组合模型网络对每个

分量进行训练和预测并重构后输出预测结果。实验结果表明，基于注意力机制的

VMD-CNN-LSTM模型在风电功率预测方面和传统模型相比具有更高的预测精确

度和泛化性。

（2）针对传统神经网络在复杂场景使用多特征预测短期风电功率序列时难

以捕捉时间序列数据中的长期依赖关系的问题。提出了一种混合残差MLP和改进

的排列熵重构（MixedResidualMLPandImprovedpermutationentropy

Reconstruction，MResMLP-IPE）的短期风电功率预测方法。首先采用VMD算法

对原始序列数据分解k个子序列，其次使用改进的排列熵对子序列重构。然后使

用Adam优化算法并利用混合残差方式改进多层感知器（MultilayerPerceptron，

MLP）网络模型。最后，采用中国西部某地区的风电功率数据集进行验证。实验

结果表明，与同类模型相比，MResMLP-IPE模型具有较高的预测精度。

（3）设计了一款基于PyQt的风电功率预测系统，用户可自由选择预测时间

段、模型进行预测，以及通过可视化操作直观分析结果。此系统实现了风电功率

预测过程中的灵活性、多样性和直观性的效果，显著提高了用户体验和工作效率。

本研究所提出的两种预测模型提高了传统短期风电功率预测算法的预测精度，

但在特征提取方面各有优势，前者适用于具有时序和时空信息的复杂情况，后者

更适用于非线性特征明显但缺乏明显周期性的情况，两者都有利于调度部门及时

I

调整计划来减轻风能对电网的冲击，最终结合风电功率系统，有利于推广风电的

发展，进而推动全球能源转型，促进绿色清洁、低碳可再生环境的开发建设。

关键词：风电功率预测；变分模态分解；注意力机制；深度学习；排列熵

II

entropypairsubsequencesareusedtoreconstructthesubsequences.Then,theAdam

optimizationalgorithmisusedtoimprovetheMultilayerPerceptron(MLP)network

modelbyusingthemixedresidualmethod.Finally,thewindpowerdatasetinaregionof

westernChinaisusedforverification.Experimentalresultsshowthatcomparedwith

similarmodels,theMResMLP-IPEmodelhashigherpredictionaccuracy.

(3)AwindpowerpredictionsystembasedonPyQtisdesigned,anduserscanfreely

ch