[1]李森文,张伟,李纯宇,等.基于 SSA-LSTM 的海上风电功率预测[J].机械与电子,2022,(06):22-25.
　LI Senwen,ZHANG Wei,LI Chunyu,et al.Power Prediction of Offshore Wind Farm Based on SSA-LSTM[J].Machinery & Electronics,2022,(06):22-25.
点击复制

基于 SSA-LSTM 的海上风电功率预测()

分享到：

《机械与电子》[ISSN:1001-2257/CN:52-1052/TH]

Author(s):: LI Senwen; ZHANG Wei; LI Chunyu; HAO Sipeng; (School of Electric Power Engineering,Nanjing Institute of Technology,Nanjing 211167,China)

Keywords:: sparrow search algorithm; LSTM; offshore wind farm; power prediction

摘要:: 针对海上风电功率预测精度差的问题,提出一种改进的 SSA-LSTM 模型。选择在时间序列问题处理上具有良好性能的长短期记忆(LSTM)神经网络,通过寻优能力强、收敛速度快的麻雀搜索算法对 LSTM 网络隐含层神经元个数、学习率和训练次数等超参数进行优化,得到 SSA-LSTM 模型。采用江苏省盐城市某 400 MW 风电场功率数据进行算例分析,在不同条件变量下分别使用 SSA-LSTM 模型、LSTM 模型预测,仿真结果表明,SSA-LSTM 模型具有更高的预测精度、更好的预测稳定性。

Abstract:: Aiming at the problem of poor accuracy of offshore wind power prediction,an improved SSA-LSTM model is proposed. Adopting the Long-short Term Memory(LSTM) neural network with good performance in the processing of timing problems,the number of neurons,learning rate,training times of the LSTM network hyperparameters are optimized through the Sparrow Search Algorithm with strong optimization ability and fast convergence speed,and the SSA-LSTM model is obtained. The power data of 400 MW Wind Farm in Yancheng City, Jiangsu Province is used to analyze the calculation example. SSA-LSTM and LSTM are used for prediction respectively under different condition variables,and the simulation results show that the SSA-LSTM model has better prediction accuracy and stability.

[1] 邹金,朱继忠,赖旭,等. 基于时空自回归移动平均模型的风电出力序列模拟[J]. 电力系统自动化,2019,43(3):101-107.

[2] 曹俊波,周任军,邓学华,等. 考虑优化 ARIMA 模型差分次数的风功率预测[J]. 电力系统及其自动化学报,2019,31(1):105-111.

[3] 李力行,苗世洪,涂青宇,等. 考虑异方差效应的风电不确定性建模及其在调度中的应用[J]. 电力系统自动化,2020,44(8):36-47.

[4] 范高锋,王伟胜,刘纯,等. 基于人工神经网络的风电功率预测[J]. 中国电机工程学报,2008,28(34):118-123.

[5] 王鑫,吴际,刘超,等. 基于 LSTM 循环神经网络的故障时间序列预测[J]. 北京航空航天大学学报,2018,44(4):772-784.

[6] 朱乔木,李弘毅,王子琪,等. 基于长短期记忆网络的风电场发电功率超短期预测[J]. 电网技术,2017,41(12):3797-3802.

[7] 张群,唐振浩,王恭,等. 基于长短时记忆网络的超短期风功率预测模型[J]. 太阳能学报,2021,42(10):275-281.

[8] 杨秋勇,彭泽武,苏华权,等. 基于 Bi-LSTM-CRF 的中文电力实体识别[J]. 信息技术,2021(9):45-50.

[9] 翟毅,徐丽燕,季学纯,等. 基于长短期记忆神经网络的短期负荷预测[J]. 信息技术,2019(10):27-31.

[10] 吕鑫,慕晓冬,张钧,等. 混沌麻雀搜索优化算法[J].北京航空航天大学学报,2021,47(8):1712-1720.

备注/Memo:: 收稿日期:2021-12-01
基金项目:国家自然科学基金面上项目(51877101)
作者简介:李森文 (1997-),男,江苏南京人,硕士研究生,研究方向为新能源功率预测;张伟 (1998-),男,江苏射阳人,硕士研究生,研究方向为风电消纳;李纯宇 (1996-),男,江苏新沂人,硕士研究生,研究方向为新能源消纳;郝思鹏 (1971-),男,江苏宝应人,博士,教授,研究方向为综合能源服务。

更新日期/Last Update: 2022-06-23