用于建模和调度混合风电场功率的深度学习方法
机器学习
2025-12-02 v1 人工智能
摘要
集成储能的风电场（混合风电场）能够存储能量并根据运营策略将其调度给电网。对于具有储能容量的单个风电场，使用基于局部电网需求和市场条件作为输入参数的数据驱动调度策略可最大化风能价值。以大气条件为基础建模的合成发电数据为改进数据驱动调度策略的鲁棒性提供了另一种途径。为此，本文开发了两个深度学习框架：COVE-NN，基于LSTM的针对单个风电场的调度策略，在位于Pyron site的案例研究中43年模拟运行中将年COVE降低32.3%；以及一种功率生成建模框架，在Palouse风电场上验证时RMSE降低9.5%，功率曲线相似性提高18.9%。这些模型为更稳健的数据驱动调度策略铺平了道路，并为其他可再生能源系统的扩展提供了可能。
引用
@article{arxiv.2512.00728,
title = {Deep Learning for Modeling and Dispatching Hybrid Wind Farm Power Generation},
author = {Zach Lawrence and Jessica Yao and Chris Qin},
journal= {arXiv preprint arXiv:2512.00728},
year = {2025}
}
备注
10 pages, 8 figures, to be published in 2025 IEEE International Conference on Data Mining Workshops (ICDMW)