典型文献
基于改进LSTM-TCN模型的海上风电超短期功率预测
文献摘要：
风功率精确预测是实现大规模海上风电友好并网的重要手段.大型海上风电场机组台数众多,状态各异.机组状态、尾流影响和时空特性对风功率预测的影响不可忽略.该文基于长短期神经网络(long short-term memory,LSTM)–时间卷积神经网络(temporal convolutional network,TCN),提出了一种考虑机组状态、风机尾流和场群空间分布特性的海上风电超短期功率预测方法.首先分析了机组状态和尾流数据对于功率预测的影响,然后基于LSTM建立了风电机组运行数据深度学习预测模型,实现机组健康状态到运行数据的映射,并通过数据的实时滚动对机组健康状态进行持续修正;在此基础上,加入注意力强化和随机空间特性弱化模块的改进LSTM-TCN模型.通过实际运行数据算例分析,相比TCN算法、LSTM算法,该文方法可提升风功率预测的精度,尤其对于海上常见的风速骤变工况适应性较强,对TCN算法过于强化空间特性的问题进行改进.以该模型的精确预测为基础,可进一步用于大规模海上风电场内机组的协调优化控制,提升海上风电出力可靠性.
文献关键词：
海上风电;风功率预测;机组状态;时空特性;时间卷积神经网络
中图分类号：
作者姓名：
符杨;任子旭;魏书荣;王洋;黄玲玲;贾锋
作者机构：
上海电力大学电气工程学院,上海市 杨浦区 200090;国网江苏省电力有限公司经济技术研究院 江苏省 南京市 210008
文献出处：
引用格式：
[1]符杨;任子旭;魏书荣;王洋;黄玲玲;贾锋-.基于改进LSTM-TCN模型的海上风电超短期功率预测)[J].中国电机工程学报,2022(12):4292-4302,中插2
A类：
B类：
TCN,超短期功率预测,精确预测,并网,大型海上风电场,台数,数众多,机组状态,时空特性,风功率预测,长短期神经网络,long,short,term,memory,时间卷积神经网络,temporal,convolutional,network,风机尾流,空间分布特性,流数据,风电机组运行,运行数据,数据深度,深度学习预测模型,健康状态,滚动,空间特性,实际运行,算例分析,骤变,变工况适应性,场内,协调优化控制,风电出力
AB值：
0.260737
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。
