论文部分内容阅读
随着能源短缺和环境污染问题日趋严重,新能源技术获得了越来越多的关注。其中,风力发电由于其特有的优势和特点,正处于高速发展阶段。然而,由于风电具有极强的间歇性、波动性和不确定性,给电网调度带来了极大的难度,严重影响了电网运行的安全和稳定。风电功率短期预测是针对此问题的一个有效解决方法。本文基于当前风电功率短期预测的研究现状,结合了我国东南沿海某风电场A的实际历史数据,针对短期风电功率的点预测和区间预测进行了研究,给出了多种方法用于提高预测精度。本文主要的研究内容有以下几点:(1)给出了基于局部离群因子(Local Outlier Factor,LOF)的异常数据识别和加权K近邻(K nearest neighbor,KNN)的异常数据修正相结合的算法,用此方法处理过后的数据有助于提升模型的预测精度,为后续研究打下基础。(2)通过实验对比了去噪自编码器(Denoising Auto-encoder,DAE)和堆叠去噪自编码器(Stacked Denoising Auto-encoder,SDAE)相较于传统特征提取方法主成分分析(Principal components analysis,PCA)的优势与缺陷,结果表明DAE和SDAE在不考虑时间成本的前提下,特征提取效果明显优于PCA。且在选取适合的下降维度的基础上,和预测模型相结合能够帮助模型降低预测误差。(3)由于滚动预测具有误差累积性,通过实验对比证明了循环神经网络(Recurrent Neaural Network,RNN)和长短期记忆(Long Short-Term Memory,LSTM)神经网络能够在一定程度上有效缓和滚动预测带来的误差累积。同时提出了基于去噪自编码器和LSTM神经网络相结合的DAE-LSTM模型,能够提升LSTM模型的单步预测精度。(4)由于模型的固有缺陷和数据自带的噪声,点预测结果不可避免存在误差。以DAE-LSTM模型的点预测结果为基础,提出了使用k-means聚类算法对功率区间进行划分,分析每个子区间误差特性,再采用非参数核密度估计置信区间预测方法,得到了基于误差统计特性的风电功率置信区间,实验结果验证了所给出方法的有效性。