团队介绍
王晨，硕士研究生，主要研究方向为人工智能技术在电力系统中的应用，目前在参与国家自然科学基金等项目的研究。
寇鹏，副教授，博士生导师，主要研究方向为新能源发电与智能微电网、电机先进控制、预测控制与智能控制等。近年来主持及参与了国家自然科学基金、企业合作研究等多项科研项目。在IEEE Transaction on Power Systems、IEEE Transactions on Energy Conversion、IEEE Transactions on Smart Grid、电力系统自动化等本学科重要学术期刊以及重要国际会议（如IEEE CDC、IEEE PESGM 、ICCET、WCICA等）发表科研论文共计30余篇。
导语
本文提出了一种通过学习历史风速和历史风向中空间相关性和时间相关性信息，从而实现不同地理位置上多风机各自本地风速的预测方法。
该方法首先利用卷积神经网络（Convolutional Neural Network，CNN）提取空间相关性信息，然后将蕴含空间信息的特征序列交由简单循环单元（Simple Recurrent Unit，SRU）处理，进而学习时间相关性信息。
在实际风电场数据上的仿真测试表明：在多个不同的预测时域下，该方法与现有利用时空相关性的预测方法相比，不仅显著减小了计算代价，而且提高了预测的准确性。
项目研究背景
鉴于化石能源的不可再生性和其造成的环境压力，新能源发电技术越来越受到世界各国的重视。风力发电是新能源发电中重要的一部分，在2018年，全球风电装机容量规模达到597GW，中国的风电装机容量规模占据全球第一，超过200GW。
随着风电渗透率的不断增加，由于风速的随机性和不确定性，风电功率的波动会对电网的安全性造成影响。风电功率主要由风速决定，准确的风速预测可用于指导设计高效的风电控制策略，进而减小对电网不利影响。但由于一个风电场中的风机广泛分布在不同的地理位置上，每个风机的风速都不相同。
论文所解决的问题及意义
在传统风电场风速预测中，往往是将风电场视作一个整体，进而给出较大空间尺度下的单一整体风速预测结果。但在实际风电场中，多台风机分布在不同的地理位置上，其各自的本地风速也存在明显差异。
针对这一问题，本文提出了一种集成预测模型，该集成预测模型可以精细化地预测风电场中每台风机的本地风速，为风电场控制提供更为充分的信息，进而提升风电场控制的灵活性和最优性。
论文方法及创新点
本文提出了一种基于深度学习的风电场内多风机风速集成预测模型，该模型学习多风机间风速和风向的时空相关性。
在集成预测模型中，CNN负责多风机风速序列间空间相关性和风向序列间空间相关性的建模。风速和经三角函数处理的风向构成三维输入矩阵，此特征输入矩阵与彩色图像RGB三维通道的结构类似。而CNN非常适合处理具有类似彩色图像结构的数据，所以在空间相关性方面使用CNN进行空间特征提取。
RNN是一种专门用来处理具有时序特征数据的深度神经网络，RNN不仅具有并行处理能力，能极大地减小计算代价，而且可以有效地缓解梯度消失，解决长期依赖问题，所以将经过CNN处理后、蕴含空间信息的数据再输入到SRU中进行时间特征提取。
该时空集成预测模型的整体结构如图1所示，在预测时域为h=1时，编号1风机在多个时刻的迭代预测结果如图2所示。
图1 集成预测模型结构
图2 编号1风机的风速预测结果
结论
针对于在同一风电场中不同地理位置分布的多风机风速预测问题，本文提出了一种基于CNN和SRU集成预测模型的预测方法，通过仿真对比分析，可以得出以下结论：
1）与其他循环神经网络相比，SRU具有并行计算的能力，进而显著地减小了计算成本。并且在整个训练过程中，SRU一直保持着较大的梯度，可以有效的解决随着网络层次的增加带来的梯度消失问题。
2）通过学习风速和风向的时空相关性，首先提取空间特征，然后将蕴含空间特征的数据输入到多个SRU中提取时间特征，从而CNN和SRU的集成预测模型可以提取到十分丰富和有效的预测信息。
