基于数据驱动和深度学习模型的风电功率预测

摘要

风电功率不确定性的量化对电网的安全稳定运行和经济效益至关重要。为此本文提出了一种基于GMMEWT-Attention-CNN-BiGRU的短期风电功率区间预测方法。具体而言首先利用混合高斯模型GMM将一年
的数据聚类为具有相同气象特征的四类。然后采用经验小波变换EWT将数值天气预报数据和风电功率数据分
解为包含时间信息的频率数据从而减小数据中随机性和波动性对预测精度的干扰。接下来使用CNN-FeatureAttention模型深入挖掘输入数据的气象特征及其关联性并结合BiGRU-Time-Attention模型深入分析输入数据序列
的时间相关性最终构建CNN-Feature-Attention-BiGRU-Time-Attention模型来预测EWT分解后的各个子序列。
通过消融实验验证所提出的方法能够精确量化风电功率的不确定性显著提升预测的可靠性。