利用多空间尺度下时空相关性的点云分布多风机风速预测.pdfVIP

第45 卷 第22 期 2021 年11 月25 日 Vol.45No.22 Nov.25，2021 DOI：10.7500/AEPS20210207002 利用多空间尺度下时空相关性的点云分布多风机风速预测 1 1 2 2 王 晨 ，寇 鹏 ，王若谷 ，高 欣 （1. 西安交通大学电气工程学院，陕西省西安市 710049；2. 国网陕西省电力公司电力科学研究院，陕西省西安市 710100） 摘要：在风机呈不规则排列的风电场中，不同空间位置下的众多风机分布构成点云，而不是规则化 的矩形网格。点云是不规则且无序的，可以代表任意风电场中多风机的地理位置分布，但是不能构 成卷积神经网络（CNN）高度规则的网格输入，卷积算子难以学习其空间局部相关性。若直接将不 规则点云映射为网格排列进行常规卷积，会失去点云原始的空间信息。为此，采用点CNN进行空 间相关性提取，再利用简单循环单元进行时间相关性提取，从而获取点云数据的时空相关性。同 时，设计点CNN时融入了多尺度下的空间特征提取与汇集。最后，结合实际以点云分布的多风机 仿真结果验证了所提预测模型的有效性。 关键词：点云；多风机；本地风速预测；时空相关性；卷积神经网络；简单循环单元 0 引言 机进行风速预测。文献［13-15］采用模糊C均值算 法等机器学习方法将风电场中的风速视为一个整体 当今社会中，电力发电的挑战是双重性的：既要 风速进行预测。但是，上述工作均是对单台风机或 满足不断增加的电力需求，同时还需要尽可能地减 将拥有多台风机的风电场当成一个整体进行风速预 少碳排放。预计到2040年，全球能源发电结构将产 测。文献［5，8，16-18］通过风机特征数据潜在的时 生实质性转变，可再生能源发电比例将超过煤炭等 ［1］ 间相关性或者空间相关性进行多台风机的本地风速 一次能源发电比例 。风电是可再生能源发电技术 ［2-3］ 预测，但未同时学习时间相关性和空间相关性。文 的重要代表 ，在2020年，中国风电规模位居全球 ［4］ 献［19-20］采用多风机风速序列间的时空相关性，采 首位，总装机容量达到290GW 。但随着风电装机 用卷积神经网络（CNN）和长短期记忆（LSTM）网 容量在电网系统的比重逐渐增大，其随机波动性和 ［5-6］ 络进行多台风机的本地风速预测，但该模型要求风 间歇性会影响系统的安全稳定运行 。风速对风 ［7］ 电场中多风机的地理位置分布为矩形网格，而不是 电功率的影响至关重要 ，因此准确可靠地预测风 点云，故不适用于绝大部分风电场，且训练时间过长 速可以有效地指导风电功率控制，也是保证大规模 ［8］ 导致时间成本较高。 风电并网的内在要求和基本任务 。“大规模开发， ［7］ 鉴于此，本文提出一种可直接将点云作为输入 集中式接入”是中国风电并网的重要指导思想 ，中 的多风机风速时空集成预测模型。该模型以点云分 国风电场规模往往较大，多风机分布往往不是一个