基于RF和GRU组合算法的超短期风电功率预测

为了提高风电场输出功率预报的精度,提出一种将随机森林(random forest,RF)与门控循环单元(gated recurrent unit,GRU)神经网络相结合的超短期风电预测模型,并以云南李子箐风电场10台风电机组作为研究对象,在风电场配属的1座测风塔4个高度(10、30、50、70 m)上进行风速测量.将测风塔所测的4层风速数据和数值天气预报(numerical weather prediction,NWP)系统的风速输出数据进行归一化处理;然后,计算4个不同高度的实测风速数据和风电场总输出功率的皮尔逊相关系数,确定出与风电场输出功率相关的最显著实测风速高度;接下来,构建数值预报模型输出的70 m风速与风电场测风塔70 m高度处风速之间的RF订正模型,训练数值预报风速产品,建立二者之间的映射关系;最后,用该映射关系订正后的数值预报风速输入GRU神经网络,预测风电输出功率.试验结果表明:所提方法的预测精度较传统误差反向传播(back propagation,BP)神经网络方法有了很大的改进与提高,有利于进一步提高风电并网功率规模.