基金项目:国家自然科学基金面上项目(61876097);湖北省科技计划项目技术创新专项重大项目(2016AAA040)收稿日期:2021－03－15修回日期:2021－04－08第40卷第2期计算机仿真2023年2月文章编号:1006－9348(2023)02－0079－05基于ＲCC－GＲU模型的超短期风电功率预测方法程江洲，潘飞，鲍刚(三峡大学电气与新能源学院，湖北宜昌443000)摘要:准确高效的风电功率预测对于风电场和电网的稳定运行非常重要。提出了一种基于辐射分类坐标(ＲCC)和门控循环单元(GＲU)的超短期风电功率预测方法。首先，分析了不同气象因素对风力发电的影响以及不同时间段的影响程度。其次，提出了一种辐射分类坐标方法对相似的时间段进行分类和选择，将所选相似时间段的数据集(包括发电量和多元气象数据)重建为训练数据集。然后，将GＲU神经网络作为该模型的学习网络。实验结果表明，所提出的模型的预测准确率和确定系数分别为97.6%和98.99%，并结合3个误差指标和训练时间分析，ＲCC－GＲU模型的准确性和效率均优于其它3个比较模型。关键词:超短期风电预测;辐射分类坐标;相似时间段;门控循环单元中图分类号:TM614文献标识码:BUltra－Short－TermWindPowerPredictionMethodBasedonＲCC－GＲUModelCHENGJiang－zhou，PANFei，BAOGang(CollegeofElectrical＆NewEnergy，ThreeGorgesUniversity，YichangHubei443000，China)ABSTＲACT:Accurateandefficientwindpowerpredictionisveryimportantforthestableoperationofwindfarmsandpowergrids．Thispaperproposesanultra－short－termwindpowerpredictionmethodbasedonＲadiationClassifi-cationCoordinates(ＲCC)andGatedＲecurrentUnit(GＲU)．First，theinfluenceofdifferentmeteorologicalfactorsonwindpowergenerationandthedegreeofinfluenceindifferenttimeperiodsarewereanalyzed．Secondly，aradiationclassificationcoordinatemethodiwasproposedtoclassifyandselectsimilartimeperiods，andreconstructthedataset(includingpowergenerationandmulti－weatherdata)oftheselectedsimilartimeperiodintoatrainingdataset．Then，theGＲUneuralnetworkiwasusedasthelearningnetworkofthemodel．Experimentalresultsshowthatthepredictionaccuracyanddeterminationcoefficientoftheproposedmodelare97．6%and98．99%，respectively．Com-binedwith3errorindicatorsandtrainingtimeanalysis，theaccuracyandefficiencyoftheＲCC－G...
