第35卷第11期 王晨等STYLEREF基于系统频率特性指标约束的跟网-构网新能源最优容量配比研究 PAGE203

电工技术学报 2023年

基于系统频率特性指标约束的跟网-构网新能源最优容量配比研究

摘要在传统风电场风速预测中，往往将风电场视作一个整体，进而给出较大空间尺度下的单一整体风速预测结果。但在实际风电场中，多台风机分布在不同的地理位置上，其各自的本地风速也存在明显差异。对此，该文提出一种通过学习历史风速和历史风向中空间相关性和时间相关性，从而实现不同地理位置上多风机各自本地风速的预测方法。该方法首先利用卷积神经网络（CNN）提取空间相关性信息，然后将蕴含空间信息的特征序列交由简单循环单元（SRU）处理，进而学习时间相关性信息。风速和三角函数化的风向构成类似于RGB图像结构的三维矩阵。CNN非常适合处理RGB图像类型的数据，故使用CNN提取多风机的风速和风向在同一个时刻下的空间信息。与其他循环神经网络相比，由于SRU可大幅减小计算代价，故使用SRU提取多风机的风速和风向随时间变化的动态信息。在实际风电场数据上的仿真测试表明：在多个不同的预测时域下，该方法与现有利用时空相关性的预测方法相比，不仅显著减小了计算代价，而且提高了预测的准确性。

关键词：多风机风速预测卷积神经网络简单循环单元改进循环神经网络时空相关性

中图分类号：TM614

WindSpeedForecastsofMultipleWindTurbinesinaWindFarmBasedonIntegrationModelBuiltbyConvolutionalNeuralNetworkandSimpleRecurrentUnit

XXXX

（SchoolofElectricalEngineeringXi’anJiaotongUniversityXi’an710049China）

AbstractConventionalwindspeedforecastsfocusedontheoverallwindspeedofawindfarm.However,inanactualwindfarm,multiplewindturbinesarewidelydistributedindifferentgeographicallocations,andtheirlocalwindspeedsaresignificantlydifferent.Toaddressthis,thispaperproposesamethodfortheturbine-specificwindspeedforecastsinawindfarm.Thismethodlearnsthehistoricalspatialandtemporalcorrelationbetweenwindspeedandwinddirection.Firstly,theconvolutionalneuralnetwork(CNN)isusedtoextractthespatialcorrelationinformationamongmultiplewindturbines.Subsequently,theextractedspatialinformationisprocessedbythesimplerecurrentunit(SRU),whichlearnsthetemporalcorrelationinformation.Duringthedatapreprocessprocedure,windspeedandtrigonometricwinddirectionformathree-dimensionalmatrix,whichissimilartotheRGBimageseries.CNNisverysuitableforprocessingdataofRGBimagetype,sothespatialinformationofwindspeedandwinddirectionofmultiplewindturbinesatthesamemomentisextractedbyCNN.Comparedwithotherrecurrentneuralnetwork(RNN),SRUhasmuchlow