向 勇, 王一军, 孔寅恪

(中南大学 自动化学院,湖南 长沙 410083)

1 引言

风电作为未来清洁能源的一种，应用前景广大，但风电输出的独特波动和间歇性，成为制约其快速发展的因素之一。大型风电场功率波动容易引起电网运行和调度较大的波动，尤其是风力发电特殊的防峰调节特性，造成电网调度与管理的难度。随着风电场在电力领域的不断增加和扩容，为保证电网平稳运行，发电站通过限制风力发电产量的办法进行管理与协调，难以适应后续发展。风能的随机性和波动性等难以控制因素，进一步导致了风力发电机运作稳定性差、功率波动、谐波污染、电压波动、电流异常、回路异常等问题，供电网络规模越大，对系统性能影响越大[1-3]。准确预测风力发电的输出功率，可以减少频率调制和峰值调节带来的压力，降低电力系统的波动及异常，提高电力系统对风力发电的兼容和提升能力[4-5]，降低运行成本，扩大风电覆盖面，提高风电场使用率、稳定性和安全性，是保证电网高效运行、促进清洁能源发展的有效措施之一。

本文通过分析大规模风力发电功率特性和风电预测时间序列特性，提出以深度循环神经网络进行预测，结合小波系数多尺度分析的隐马尔可夫预测方法，将深度学习引入到循环神经网络中来，构建基于多尺度隐马尔可夫模型-深度循环神经网络模型的大规模风力发电功率预测模型(MHMM-DRNN)，并通过仿真实验对多种预测方法进行分析比较。……