Page 19 - 新能源风力发电技术与自动化技术研究

第一章 新能源发电功率预测

下降至 59.85Hz，切除负荷 1150MW 的事件。进行爬坡事件预测，可以提前从风
电机组本体和电网控制角度来调节爬坡事件，降低危害。
爬坡事件预测有直接预测和间接预测两种方法：第一，直接预测法是从风电

场历史数据中挑选出爬坡数据，使用机器学习模型进行学习，直接预测爬坡事件。
此方法需要大量爬坡数据，但实际上爬坡事件是小概率极端事件，发生次数有限，
故训练集缺失比较严重。第二，间接预测法是先进行风功率预测，再根据爬坡事
件的定义进行识别。目前间接预测法为爬坡事件预测的热点内容。常用的预测方

法有基于统计学习模型、基于 NWP 的物理模型和混合集成预测方法。
CUI M [16] 等采用改进旋转门算法对爬坡事件检测方法，使用动态规划算法对
分段时间区间进行优化整合，表明改进旋转门算法能够有效地检测出风电功率爬
坡事件，并且比传统旋转门算法的表现效果更好，同时该算法比 L1 滑窗算法消

耗更少的计算时间。GREAVES B [17] 等提出了采用多个 NWP 模型的风电爬坡预
测结果较好。崔明建 [18] 等利用原子稀疏分解对原始数据进行分解后分别采用自
预测和 BP 神经网络进行预测，提高了爬坡预测的精度。
2. 基于大数据的深度学习预测

深度学习是机器学习的一个分支。主要特点是通过多层次的学习而得到对于
原始数据的不同抽象程度的表示，进而提高分类和预测等任务的准确性。深度学
习的一个重要特点是不需要人工输入或标注特征（标签），而是通过海量数据自
动学习特征，也就是无监督学习，所以深度学习常常和大数据联系在一起。深度

学习具有强大的搜索计算能力，为提高风电功率预测的准确性增加了一种可行的
方法。目前深度学习已在电力系统的静、动态安全评估、故障诊断、负荷预测、
线损计算、经济调度控制策略等方面开展应用。与传统前馈人工神经网络相比，
深度学习使用多个隐含层，前一层可使用无监督学习算法获得数据特征，输入到

下一个隐含层，从而通过多个隐含层逐步抽象出数据特征。所以深度学习算法有
强大的处理非线性问题和特征提取的能力，适合处理具有非线性和非平稳特征的
风电功率时间序列。大数据是深度学习应用的基本条件。大数据理论可以对全时
空数据集合内关联关系进行有效识别和提取，一定程度上弥补物理因果关系分析

的不足，但当前电力系统已有的数据采集系统还难以完全满足应用需求，如何获
取高质量的全时空数据集，仍然制约着这一技术的应用。TAO Y [19] 等将层叠受限
玻尔兹曼机深信度网络用于风电功率预测，取得了不错的预测效果。

7