基于互信息理论与递归神经网络的短期风速预测模型

TK89; 风速的波动性和随机性为风电并网造成安全隐患,提高风速预测精度对于风电系统的稳定和风能发展十分重要.提出一种基于互信息(MI)理论和递归神经网络(RNN)的短期风速预测组合新模型(MI-RNN).该模型利用MI理论选择最优的历史风速序列长度(τ),通过每τ步预测下一时间点风速的方式,将历史风速数据输入RNN中进行模型训练,并由训练后的RNN模型输出最终的风速预测结果.将MI-RNN模型应用于风电场的风速数据集中,与传统机器学习风速预测模型进行比较,以验证模型的预测精度.结果 显示,MI-RNN模型的预测精度更高,预测稳定性更强,并且能够准确预测未来风向,有望应用于含空间维度的风电场的...

Full description

Saved in:
Bibliographic Details
Published in上海交通大学学报 Vol. 55; no. 9; pp. 1080 - 1086
Main Authors 王岩, 陈耀然, 韩兆龙, 周岱, 包艳
Format Journal Article
LanguageChinese
Published 上海交通大学海洋工程国家重点实验室,上海200240 01.09.2021
上海交通大学水动力学教育部重点实验室,上海200240
上海交通大学船舶海洋与建筑工程学院,上海200240%上海交通大学船舶海洋与建筑工程学院,上海200240
Subjects
风速预测;风能;互信息理论;深度学习;递归神经网络;风电场
Online AccessGet full text
ISSN1006-2467
DOI10.16183/j.cnki.jsjtu.2020.433

Cover

More Information
Summary:TK89; 风速的波动性和随机性为风电并网造成安全隐患,提高风速预测精度对于风电系统的稳定和风能发展十分重要.提出一种基于互信息(MI)理论和递归神经网络(RNN)的短期风速预测组合新模型(MI-RNN).该模型利用MI理论选择最优的历史风速序列长度(τ),通过每τ步预测下一时间点风速的方式,将历史风速数据输入RNN中进行模型训练,并由训练后的RNN模型输出最终的风速预测结果.将MI-RNN模型应用于风电场的风速数据集中,与传统机器学习风速预测模型进行比较,以验证模型的预测精度.结果 显示,MI-RNN模型的预测精度更高,预测稳定性更强,并且能够准确预测未来风向,有望应用于含空间维度的风电场的风速预测.
ISSN:1006-2467
DOI:10.16183/j.cnki.jsjtu.2020.433