Key points are not available for this paper at this time.
L'intermittence et l'incertitude de la puissance éolienne posent des défis pour l'intégration à grande échelle de cette dernière. Une prédiction précise de la puissance éolienne devient de plus en plus importante pour la planification et l'exploitation des systèmes électriques. Dans cet article, une méthode de prédiction par intervalle probabiliste pour la puissance éolienne basée sur l'apprentissage profond et l'optimisation par essaim de particules (PSO) est proposée. La décomposition en modes variationnels (VMD) et la reconstruction de l'espace de phase sont utilisées pour pré-traiter les données de puissance éolienne d'origine afin d'obtenir des détails supplémentaires et de découvrir des informations cachées dans les données. Par la suite, un réseau de neurones convolutif à deux niveaux est utilisé pour apprendre les caractéristiques non linéaires dans les données de puissance éolienne pré-traitées pour la prévision de la puissance éolienne. Le PSO est utilisé pour déterminer l'incertitude de la prédiction de la puissance éolienne basée sur des points et pour obtenir l'intervalle de prédiction probabiliste de la puissance éolienne. Les données de puissance éolienne d'un parc éolien chinois et les données de puissance éolienne modélisées fournies par le Laboratoire américain des énergies renouvelables sont utilisées pour réaliser des tests approfondis de la méthode proposée. Les résultats montrent que la méthode proposée présente des avantages compétitifs pour la prédiction basée sur des points et l'intervalle de prédiction probabiliste de la puissance éolienne.
Yang et al. (Mon,) ont étudié cette question.