基于改进LSTM-TCN模型的海上风电超短期功率预测

风功率精确预测是实现大规模海上风电友好并网的重要手段。大型海上风电场机组台数众多，状态各异。机组状态、尾流影响和时空特性对风功率预测的影响不可忽略。该文基于长短期神经网络(long short-term memory,LSTM)–时间卷积神经网络(temporal convolutional network,TCN)，提出了一种考虑机组状态、风机尾流和场群空间分布特性的海上风电超短期功率预测方法。首先分析了机组状态和尾流数据对于功率预测的影响，然后基于LSTM建立了风电机组运行数据深度学习预测模型，实现机组健康状态到运行数据的映射，并通过数据的实时滚动对机组健康状态进行持续修正；在此基础上，加入注意力强化和随机空间特性弱化模块的改进LSTM-TCN模型。通过实际运行数据算例分析，相比TCN算法、LSTM算法，该文方法可提升风功率预测的精度，尤其对于海上常见的风速骤变工况适应性较强，对TCN算法过于强化空间特性的问题进行改进。以该模型的精确预测为基础，可进一步用于大规模海上风电场内机组的协调优化控制，提升海上风电出力可靠性。