考虑风速的空间关联性进行多步预测

考虑风速的空间关联性进行多步预测是规模化风电并网的研究热点，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（东北电力大学）、松花江水力发电有限公司吉林白山发电厂的研究人员潘超、李润宇 等，在2021年第22期《电工技术学报》上撰文，提出一种改进的多位置多步风速预测方法。

对风场进行风速预测有利于风场安全运行及含新能源并网的电网灵活调度，但风速具有随机性及低能量密度等特点，将导致电力系统运行的可靠性降低。因此，准确地风速预测对于风电并网及电力系统的运行变得越发重要。

风速预测方法按照原理可分为物理方法、统计学方法及人工智能方法。目前，大多数的国内外学者选择BP神经网络、支持向量机、极限学习机等人工智能方法对风速进行建模预测。虽然都取得了有效的预测结果，但这些浅层学习算法难以对输入数据的深层特征进行挖掘，从而限制了模型的预测精度。因此，深度学习算法近年来备受关注。

有学者运用灰色关联决策分析了风速与功率的关系，并利用其灰色关联关系和风速功率曲线建立了风功率预测模型，但未考虑空间相关性对预测模型精度的影响。已有研究表明，卷积神经网络（Convolutional Neural Network，CNN）可有效提取风速数据中隐藏的非线性特征。

有学者提出利用CNN基于空间相关性提取多位置风机的空间特征，对风场多台风机进行多位置多步预测，有效地提高了预测精度。对规模化风场进行风速预测时需要考虑时空相关特性。研究表明，为提高风速预测精度需要对风速空间特征提取，该过程需要依靠高维数据信息，从而加重了模型计算的负担，在效率方面存在一定弊端；现有优化算法仅适用于单次优化，不能执行多个优化控制，不能存储和排序多个优化结果。

东北电力大学等单位的科研人员对多位置多步风速预测方法进行改进，在关联分析环节提出一种风速矩阵时空关联分解重构策略，运用改进灰色关联分析风机的空间关联度及单台风机风速与功率的关联度；提出时序控制的空间关联优化算法，对风速矩阵关键信息进行优选重构。在多步预测环节改进卷积神经网络，引入记忆单元构建卷积记忆网络，进行空间特征提取及超短期预测。

他们结合预测结果与实际数据，对所提方法的有效性进行验证，得出以下结论：

1）提出时空关联分解策略，利用改进灰色关联法能够考虑风向因素分析风速序列在空间分布上的关联特性。

2）通过时序控制的空间关联优化算法可以对风速关联矩阵进行排序优选，并按照指定规则重构空间风速矩阵，从而降低关键信息提取的复杂度，提高运算效率。

3）风速多步预测环节采用卷积记忆网络能够直接接收三维时空信息，深入挖掘风速数据中的隐含特征；基于时空关联的卷积压缩能够避免由于忽略空间信息所导致的预测精度下降问题，对风速的随机波动性具有较好的拟合效果。在此基础上进一步预测风功率，并与实际数据对比，验证了多步预测方法的准确性与适用性。

本文编自2021年第22期《电工技术学报》，论文标题为“基于时空关联分解重构的风速超短期预测”，作者为潘超、李润宇 等。