基于多特征提取-卷积神经网络-长短期记忆网络的短期风电功率预测方法

目的 天气和随机因素会改变误差的统计特征;因此考虑对影响风电功率的多种气候因素进行特征提取;为优化功率时序特征提取;提出基于多特征提取(multimodal feature extraction;MFE)-卷积神经网络(convolutional neural network;CNN)-长短期记忆(long-short term memory;LSTM)网络的风电功率预测方法。 方法 首先;对数值天气预报(numerical weather prediction;NWP)数据提取11种统计性特征;通过提取基本特征和统计性特征对原始数据进行聚类;并根据类别分别建立预测模型;以提高预测模型的适应性;其次;在网络架构上对LSTM进行改进;通过CNN的特征提取能力和LSTM的非线性序列预测能力;实现对风电功率历史信息和NWP数据的充分挖掘。最后;利用我国新疆某风电场数据;通过MFE消融实验、CNN消融实验;验证了所提短期风电功率预测方法的有效性和优越性。 结果 相比于自回归移动平均(autoregressive integrated moving average;ARIMA)、全连接循环神经网络(fully recurrent neural network;FRNN)模型和MFE-LSTM、CNN-LSTM模型;MFE-CNN-LSTM预测方法的均方根误差与平均绝对误差均有所下降。 结论 MFE-CNN-LSTM预测方法可有效提取特征;并且MFE与CNN有效提升了预测准确性。