论文部分内容阅读
风功率预测是风电领域的一个重要研究主题。随着电力系统中风电占比的快速提高,风功率具有的波动性及间歇性的特点对风电大规模并网的安全稳定性构成了严峻的挑战。精准的风功率预测结果对于电力系统调度及经济运行具有重要的参考价值。为了有效地对风功率进行预测,本文将广域时空的数值天气预报数据与深度神经网络相结合建立一个基于深度神经网络的风功率预测模型。本文的主要工作内容和研究成果如下:(1)结合卷积神经网络(Convolutional Neural Network,CNN)和门控循环单元(Gated Recurrent Unit,GRU)网络的特点,提出了一种CGRU深度神经网络。CGRU网络将CNN和GRU网络进行组合,使得CGRU兼具CNN出色的特征提取能力和GRU出色的时间序列处理能力。(2)详细研究一种基本的蚱蜢优化算法(Grasshopper Optimization Algorithm,GOA),并将量子旋转的概念引入基本蚱蜢优化算法对其进行改进。从而提出了一种混合蚱蜢优化算法(Hybrid Grasshopper Optimization Algorithm,HGOA),随后使用HGOA优化CGRU的网络参数,建立一种HGOA-CGRU风功率预测模型。(3)对原始风功率数据进行格式清洗和归一化处理,将预处理后的数据输入到HGOA-CGRU、CGRU、普通GRU模型中进行预测,对预测结果进行对比分析,通过平均误差和均方根误差对不同模型的预测精准度进行评价。结果显示,HGOA-CGRU模型的预测结果精准度相比较于CGRU模型和普通GRU模型的预测结果精准度有着明显的提高。这一结果说明了CNN的引入可以有效地提高CGRU网络的预测性能,而HGOA优化算法可以进一步提高CGRU模型的预测精度。(4)为了比较同样在HGOA算法优化下的BP、SVM模型与HGOA-CGRU模型的风功率预测性能,分别将同一风功率时间序列数据集输入到HGOA-CGRU、HGOA-BP、HGOA-SVM预测模型。在同一条件下对三个预测模型的预测结果进行比较,得到的预测结果显示,相对于其他两个预测模型HGOA-CGRU预测模型的预测结果准确度更高。