仪器仪表学报

作者：王 颖，朱南阳，谢浩川，李 健，张凯锋

单位：王 颖,1. 东南大学自动化学院复杂工程系统测量与控制教育部重点实验室,,朱南阳,1. 东南大学自动化学院复杂工程系统测量与控制教育部重点实验室,,谢浩川,1. 东南大学自动化学院复杂工程系统测量与控制教育部重点实验室,,李 健,2. 东南大学能源与环境学院大型发电装备安全运行与智能测控国家工程研究中心,,张凯锋,1. 东南大学自动化学院复杂工程系统测量与控制教育部重点实验室,

关键词：风功率预测;对比学习;深度学习;自监督学习;特征提取

基金：国家电网公司总部科技项目(51907025)资助

利用深度学习方法提高风功率超短期预测精度能够给电力系统日内机组组合、超短期经济调度、和电力备用安排提供更精确的风功率预测结果,对进一步提高电力系统运行的安全性和经济性具有重要意义。本文针对当前深度学习特征提取模块对时序曲线中的隐式特征和趋势变化的相似性提取不充分的问题,提出一种基于对比学习辅助训练的超短期风功率预测模型,主要包括输入模块、特征提取模块、对比学习辅助模块和回归模块。该模型通过自监督的对比学习算法自主生成正负样本、并以拉开正负样本的映射空间距离为目标来辅助训练特征提取模块的网络参数,使得特征提取模块的映射结果中包含了输入信息相似性的隐式特征,进而减少数据冗余信息、增强样本关联性,最终提高风功率预测精度。实验结果表明,对比学习方法的平均绝对误差比长短期记忆网络和轻量梯度提升机方法分别下降了19.9%和6.5%,有效提高了风功率预测精度。

来源：2023年第3期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2023年第3期