典型文献
基于改进的CNN-LSTM短期风功率预测的系统旋转备用经济性分析
文献摘要：
为更准确地预测短期风功率,提出了一种新型短期风功率预测方法.首先采用Pearson相关系数法对风速、风向等影响因素序列与风功率序列进行相关性分析;其次,利用卷积神经网络(convolution neural network,CNN)对输入的时序序列进行特征提取;然后在长短期记忆(long short-term memory,LSTM)网络基础上新增一个遗忘门和一个输入门,形成具有多级门控的LSTM网络,并且结合CNN建立能够提高输入序列特征提取能力和预测精度的改进的CNN-LSTM短期风功率预测模型;最后,以甘肃省某风电场实测数据进行仿真分析,并将预测结果作为制定调度计划的依据,分析不同预测结果对系统运行成本的影响.仿真结果表明:相比LSTM模型与CNN-LSTM模型,采用所提模型进行预测所得结果的均方根误差分别减少63.9％和47.9％,平均绝对误差分别减少70.4％和53.5％,可在一定程度上提高风功率预测精度.采用该模型的风功率预测结果可以有效减少系统预留的旋转备用容量,降低系统运行成本,能够为调度计划的制定提供有力依据.
文献关键词：
卷积神经网络;改进的长短期记忆网络;风功率预测;相关性分析;旋转备用;经济性分析
中图分类号：
作者姓名：
陈海鹏;周越豪;王趁录;王俊祺;韩皓;吕鑫升
作者机构：
东北电力大学现代电力系统仿真控制与绿色电能新技术教育部重点实验室,吉林132012;国网甘肃省电力有限公司兰州供电公司,兰州730000;中国信息通信研究院,北京100089;国网吉林省电力有限公司松原供电公司,松原138000
文献出处：
引用格式：
[1]陈海鹏;周越豪;王趁录;王俊祺;韩皓;吕鑫升-.基于改进的CNN-LSTM短期风功率预测的系统旋转备用经济性分析)[J].高电压技术,2022(02):439-446
A类：
B类：
短期风功率预测,经济性分析,相关系数法,convolution,neural,network,时序序列,long,short,term,memory,网络基础,遗忘,入门,门控,序列特征,特征提取能力,功率预测模型,风电场,定调,调度计划,系统运行成本,平均绝对误差,预留,旋转备用容量,改进的长短期记忆网络
AB值：
0.218994
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
