基于卷积循环神经网络的风电场内多点位风速预测方法

传统的超短期风速预测方法往往采用风电场内单一位置处风速信号进行预测,忽略了风电机组间的风速相关性,导致预测模型难以考虑地形和尾流影响下的风速空间分布特征,限制了超短期风速预测精度的提高。因此,提出了一种基于深度卷积循环神经网络的风电场多点位风速超短期预测方法,考虑风速时空相关性进行风速空间分布的超短期预测。提出的方法结合了卷积神经网络和长短期记忆网络,采用卷积神经网络获取长期风速空间分布特征,利用长短期记忆模型获取短期时间序列特征,可以同时获得多个点位处的风速超短期预测结果。通过山东某风电场数据的验证:与传统方法相比,所提模型的精度均有所提升;将测试集按季度分开,在各模型预测结果均最好的第四季度,对于多点位的平均误差水平来说,所提模型的平均绝对误差和均方根误差为0.367m/s和0.506m/s,比持续法分别降低了15.0%和15.2%,比支持向量机模型分别降低了31.5%和43.1%。