-
推进能源革命并构建清洁低碳、安全高效的现代能源供给体系，最重要的途径是大力发展清洁可再生能源，实施化石能源清洁替代。中国提出力争于2030年前达到CO2排放峰值，努力争取2060年前实现碳中和，到2030年非化石能源占一次能源消费的比重达到25%左右[1]。风力发电是实现这一计划的重要组成部分。截至2021年底，中国风电累计装机容量达328.48 GW。然而，大规模风电并网给电力系统的正常运行和调度带来了巨大的挑战。由于风力资源间歇性、随机性，造成电流频率波动，降低电力系统的可靠性。显然，准确的日前风电功率预报在风电并网中起着主导作用，有利于优化调度方案，降低系统备用容量，提高经济效益和社会效益[2-3]。
准确的风电功率预测具有以下好处：（1）减少风电随机波动对电力系统的负面影响，提高调度能力；（2）降低风电系统运行风险；（3）维护风电系统供需平衡，促进风电交易[4-5]。近年来，许多研究都致力于风电功率预测，促进了风电发展。风力发电预测领域按照预测方法不同分为物理模型[6]、传统统计模型[7]和人工神经网络等。物理模型物理方法一般依靠计算流体动力学在空间和时间尺度上模拟气象现象的大气演化和物理过程[8]。目前与物理方法相关的主流模式有全球同化和预报系统等。理论上，这些方法具有较好的时空连续性、长期预测能力和较高的时空分辨率[9]。但这些方法计算量大，局部预报性能不足。另外，现实世界中，风机的理论功率曲线与实际功率曲线存在一定偏差，使精确的物理预报模型构建变得困难，主要有以下几个方面影响：
1）因为涡轮机不同程度的老化，给定风速产生的理论功率将随着时间的推移而变化。
2）不同海拔高度气压、温度会发生变化，导致风功率密度变化，从而使风机因不同地形、气候条件下出力曲线发生变化[10]。
3）风机叶片受三维空间风速湍流影响，实际功率呈高度非线性散射点分布[11]。
传统统计模型依赖于相关的历史数据来预测未来的发电量，主要采用历史数据、模式识别、参数估计和模型检验来建立问题的数学模型。如自回归模型（AR）或自回归移动平均模型（ARMA）等[4]。这些算法虽然计算时间复杂度小，但存在无法捕捉非线性的风机出力规律，往往不能产生良好的预报性能[3]。
近年来，人工智能算法已逐渐成为风力发电预报的主流方法，其独特的能力在特征提取和数据挖掘方面具有显著优势，相比传统的物理模型和统计方法，其在预报性能上表现出更高的效率[12]。这些算法能够捕获非线性关系、时间依赖性、递归和非平稳事件等重要特征。在众多技术中，支持向量机（SVM）、神经网络、极限学习机、贝叶斯方法、马尔可夫切换模型、集成系统、模糊逻辑系统和遗传算法等都被广泛应用于风力发电预报领域[13]，效果显著。
在深度学习领域，卷积神经网络（CNN）被广泛应用于提取风电时间序列中的隐藏特征。许沛华等[12]认为长-短记忆网络（LSTMs）、循环神经网络（RNN）及其改进版本对处理时间序列数据具有较强的能力，已被广泛应用于风电功率预报，且效果良好。然而，RNN相比传统的ANN虽更具优势，但有时会出现梯度消失或爆炸现象，导致在训练期间权重振荡或长期依赖关系的丧失。为解决此问题，一些引入门控机制来控制层之间的信息流的方法被提出。长短期记忆（LSTM）和门控循环单元（GRU）是比较典型的例子[14-15]，这2种方法的应用可以提高预报精度，并减少训练时间。同时，也有利用卷积神经网络进行时序预报的例子，其中被广泛认可的模型是因果扩张时域卷积网络（TCN）[16]，它除了具备RNN网络所具备的高精度特征外，由于采用扩张卷积，在处理长时间序列上相比其他网络也具备比较好的效果。过去的研究表明，注意力机制在处理长序列时可以显著提升网络推理效果，其在解决图像识别、计算机视觉等领域的问题上已经取得了显著的成功。一种自注意力模型改进LSTM[17]也被提出。有研究证明，具有独特结构的改进LSTM网络在处理长时间步长的时间序列时相比RNN网络表现更好[18]。因此，改进LSTM可以有效地利用注意力机制序列数据的特征，非常适合于短期风电功率的预报[19]。
本研究旨在探索并应用最先进的机器学习技术，以构建和优化基于改进LSTM的深度学习模型。我们通过先进的数据过滤、特征工程和模型优化技术来提高预报模型的预报精度、鲁棒性和计算性能。
-
本研究收集了位于中国东北和华中地区的2个不同风电场数据验证模型有效性，其中风电场1位于湖北省黄冈市麻城县，经度为115.113°，纬度为31.566°，海拔高度为740 m，装机容量为80 MW，数据从2021年7月1日至2022年6月30日，时间长度为12个月。风电场2为位于内蒙古通辽市，经度为113.432°，纬度为41.212°，海拔高度为1 373 m，装机容量为49.5 MW，数据从2021年2月1日至2022年9月30日时间间隔为15 min的数据，时间长度为20个月。数据集的划分及数据量如表1所示。
风电场编号及地点 数据集类型 时间跨度 样本数量/条 1号
湖北省黄冈市全部数据 2021年7月1日~
2022年6月30日34 944 训练集 2021年7月1日～
2022年4月30日29 088 验证集 2022年4月30日～
2022年5月30日2 976 测试集 2022年5月30日～
2022年6月30日2 880 2号
内蒙古自治区通辽市全部数据 2021年2月1日～
2022年9月30日58 176 训练集 2021年2月1日～
2022年7月30日52 320 验证集 2022年8月1日～
2022年8月31日2 976 测试集 2022年9月1日～
2022年9月30日2 880 Table 1. Experimental data set
-
风力发电离群点和异常值严重影响了风电功率预报模型的准确率，一些有代表性的研究方法被提出，郑蕾等[20]提出了局部离群点风速处理算法（Local Outlier Factor，LOF）；曹立新等[21]结合滑差四分位数方法和基于多项式曲线回归方法对数据进行清理。尽管这些方法都取得了一定效果，但基于聚类的算法会将部分异常数据识别为正常数据，给应用带来不便。本研究将风速和风力发电厂整场发电功率作为变量绘制散点图，如图1所示。通过观察图1中风机出力数据围绕以靠近中心附近的区域分布，可以通过RBF核函数有效地将数据分布平面进行划分。本工作以此为基础，提出了一种高效的基于OneSVM函数的风力发电离群点数据的清洗算法。
Figure 1. Draw a scatter plot of variables
-
OneSVM（One-Class Support Vector Machine）是一种基于支持向量机的异常检测算法。该算法旨在通过仅使用正常数据进行训练，构建一个边界来描述正常数据的特征空间，并通过检测与该边界显著偏离的样本来识别异常数据。OneSVM作为一种无监督学习方法，能够有效地处理高维数据和非线性数据，并且具有较好的鲁棒性。OneSVM算法的核心决策过程为式（1），通过式（1）计算决策结果以进行数据二分类划分。
$$ \underset{w,\mathrm{\rho },\mathrm{\xi }}{\mathrm{min}}\dfrac{1}{2}{\left|\left|w\right|\right|}^{2}+\dfrac{1}{\mathrm{\nu }n}{\displaystyle \sum }_{i=1}^{n}{\mathrm{\xi }}_{i}-\rho $$ (1) 式中：
$ w $ ——决策函数的权重向量；
$ \rho $ ——决策函数的截距；
$ {\xi }_{i} $ ——松弛变量；
n ——训练样本的数量；
$ \nu $ ——1个用于控制异常样本比例的超参数。
在本研究中选取RBF（Radial Basis Function）核函数来构建分类平面，RBF是径向基函数，它可以将数据从输入空间映射到一个高维特征空间，从而更好地处理非线性问题。
$$ K\left(x,{x}^{{'}}\right)={\mathrm{exp}}\left(-\gamma {\left|\left|x-{x}^{{'}}\right|\right|}^{2}\right) $$ (2) 式中：
x、x' ——输入样本点；
γ ——1个控制函数曲线陡峭程度的参数；
||x－x'||2 ——输入样本点之间的欧氏距离的平方。
在确定数据清洗分类时，对于识别数据边界影响较大的参数为核函数及核函数参数。对于RBF核需要选择合适的参数，过于陡峭的RBF函数曲线会对部分正确样本进行错误映射从而导致一些正常的风电曲线特征丢失。通常的选取方式为将γ设置为1/分类数量，对于二分类问题该值通常设为0.5。在进行工程应用时式（1）中的决策边界一般由训练样本误差百分比进行确定。
-
过去的研究表明在训练集中存在大量不相关数据会显著增加模型的复杂度，也会影响模型推理的稳定性。因此通过特征工程方法筛选掉一些对模型学习有影响的特征显得尤为重要[22]。在本研究中采用了一种基于数据相关性矩阵进行特征筛选的方法。相关性矩阵通过计算各个特征之间的相关系数，反映特征间的依赖性。在相关性矩阵中采用皮尔逊相关系数进行元素计算，相关系数的计算公式为式（3），其中$ {X}_{i,k} $、$ {X}_{j,k} $是2个变量，$ \bar{{X}_{i}} $、$ \bar{{X}_{j}} $分别是它们的均值，n是样本数量。
$$ {r}_{i,j}=\dfrac{\displaystyle \sum _{k=1}^{n}\left({X}_{i,k}-\stackrel-{{X}_{i}}\right)\left({X}_{j,k}-\stackrel-{{X}_{j}}\right)}{\sqrt{\displaystyle \sum _{k=1}^{n}{\left({X}_{i,k}-\stackrel-{{X}_{i}}\right)}^{2}}\sqrt{\displaystyle \sum _{k=1}^{n}{\left({X}_{j,k}-\stackrel-{{X}_{j}}\right)}^{2}}} $$ (3) 进行数据相关性筛选的具体步骤如下：
1）构建特征数据集的相关性矩阵$ \mathit{R} $，其中$ \mathit{R}[i,j] $表示第i个和第j个特征的相关系数。
2）设置相关性系数阈值$ \rho $，在本研究中该值设置为0.5。
3）对R进行检查，如果存在$ \left|\mathit{R}\right[i,j\left]\right| > \rho $，则认为第i个特征与第j个特征高度相关。
4）在每对高度相关的特征中，删除相关性较小的特征。此时需比较各特征与目标值的相关性，删除与目标值相关性较小者。
5）重复步骤3）和步骤4），直到不存在高度相关的特征对。
6）最终获得的特征子集中，各特征间具有较低的冗余性。
通过以上方法，在本文中选择了对风机出力功率影响最大的13个指标，包括：10 m高度的风速、风向、湿度、气压、温度以及30 m、50 m、70 m、轮毂高度的风速和风向。其中，对风电出力影响最大的因素是风速，为了使得模型可以更好地学习风速的变化规律以及风速与发电功率之间的关系，需要进一步针对风速特征进行数据增强。
-
由于风速具有随机性强的特点，因此研究者通常不会采用对风速进行单纯的数值处理的方式进行特征倍增。结合风电场的地形特征，通常在特定的季节内，特定测风点风速会存在一些时延重复特征。这种特征通常表现为在临近时间范围附近可以观察到相似的风速波动规律片段。传统的数据处理方法很少考虑特征片段时移带来的增益。因此，本研究中采用一种创新的数据倍增方式即时延滑动窗口特征处理方法。这种方法通过在数据集上滑动一个固定长度的窗口，依次截取窗口中的子集进行统计计算，从而得到一组移动平均或者其他滚动指标。
设时间序列为$ X={x}_{1},{x}_{2},\cdots ,{x}_{n} $，窗口大小为w，窗口起点t的数据集为$ {X}_{t}={x}_{t},\cdots ,{x}_{t+w-1} $。
在t时刻，根据指定统计函数$ f $，可以计算得到：$ {y}_{t}=f\left({X}_{t}\right) $。通过在原始序列上滑动窗口，重复该过程，最终得到输出移动平均序列：
$$ Y={y}_{1},{y}_{2},\cdots ,{y}_{n-w+1} $$ (4) 滑动窗口方法支持多种统计函数f，如求平均、最大值、相关系数等。通过调整窗口大小w，可以观察不同时间尺度上的趋势和模式。本文采用的滑动窗口大小分别为4和24，统计函数方法选择了最大值和平均值统计法。经过实验这组参数可以最有效地提升模型效果。
-
由于风的波动性、随机性和受湍流的影响，导致风击中掠叶转子的速度和方向迅速变化，使观测风速与撞击转子叶片的风速不匹配，导致风速与输出功率之间的不匹配[23]。大量研究表明准确地刻画风速的波动特征有利于提高预报模型的准确率，尤其某一时刻风速$ {v}_{0} $与邻近时间段$ \Delta t=\left\{\mathrm{15,30,45,60}\right\} $（单位为min）内风速的变化特征与发电功率存在潜在映射关系。通过对风速数据进行分析，并参考许沛华等[12, 24]提出的风速数据处理方法，在此基础上结合第1章中2个风电场的实测数据将对风速变化波动特征影响较大的因子进行筛选以及检验，得到了4个影响比较明显的特征因子。通过数据分析及验证，在我们的模型中引入了邻近的1 h内风速波动特征的表示，这些特征分别为风速绝对波动幅度$ {V}_{\mathrm{A}} $、风速相对波动幅度$ {V}_{\mathrm{R}} $、风速标准差$ {V}_{\text{ε}} $、最大风速$ {V}_{\mathrm{m}\mathrm{a}\mathrm{x}} $、最小风速$ {V}_{\mathrm{m}\mathrm{i}\mathrm{n}} $、风速爬坡次数$ {R}_{\mathrm{c}\mathrm{n}\mathrm{t}} $ 6个量表示风速的波动特征。
定义1：风速标准差$ {V}_{\text{ε}} $反映$ \Delta t $时间内风速偏离风速均值$ v' $的离散程度，该值越大波动越大，否则波动较小，如式（5）：
$$ {V_{\text{ε}}} = \sqrt {\dfrac{{\displaystyle \sum\limits_{i \in \Delta t} {{{({v_i} - x')}^2}} }}{n}} $$ (5) 式中：
n——样本总数（个）。
定义2：最大风速$ {V_{\max }} $反映$ \Delta t $时间内风速的最大值，如式（6）：
$$ {V_{\max }} = \mathop {\max }\limits_{i \in \Delta t} ({v_i}) $$ (6) 定义3：最小风速$ {V_{\min }} $反映$ \Delta t $时间内风速的最小值，如式（7）：
$$ {V_{\min }} = \mathop {\min }\limits_{i \in \Delta t} ({v_i}) $$ (7) 定义4：风速爬坡次数$ {R_{{\mathrm{cnt}}}} $是$ \Delta t $时间内风速变化超过阈值$ \delta $的次数，该值越大代表波动越频繁，否则波动不频繁，如式（9）：
$$ {C_i} = \left\{ \begin{gathered} 1{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} \left| {{v_0} - {v_i}} \right| \geqslant \delta {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} (i \in \Delta t) \\ 0{\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt}{\kern 1pt}\left| {{v_0} - {v_i}} \right| < \delta {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} {\kern 1pt} (i \in \Delta t){\kern 1pt} \\ \end{gathered} \right. $$ (8) $$ {R_{{\mathrm{cnt}}}} = \displaystyle \sum\limits_{i \in \Delta t} {{C_i}} $$ (9) -
在风电发电功率预报领域，机器学习技术被广泛应用，其中被认为效果比较好的算法包括随机森林算法Random Forest（RF），梯度提升树集成算法LightGBM等。目前被更多使用的方法是LightGBM，LightGBM采用了梯度提升树原理，其中包括叶子分裂策略、直方图优化、基于梯度的学习和正则化，使其能够高效处理风能数据。以下是LightGBM的关键原理：
叶子分裂策略：LightGBM采用了叶子分裂（Leaf-wise）的生长方式，与传统的深度优先生长（Depth-wise）不同。这种策略选择具有最大梯度的叶子来分裂，以最大程度地减小损失函数。这导致树的深度相对较小，有助于捕获风能数据中的非线性关系和季节性模式。
直方图优化：LightGBM使用直方图算法，将数据集分成多个直方图，每个直方图代表一个特征的取值范围。这减少了对数据的排序和遍历，提高了训练速度，尤其适用于大规模数据集。
基于梯度的学习：LightGBM在每次迭代中计算损失函数对模型预报的梯度，并根据梯度拟合一个新的决策树。这使模型逐步优化，不断减小预报误差。
正则化：LightGBM引入了正则化项，包括叶子结点的最大深度和叶子结点的最小数据数。这有助于防止过拟合，提高模型的泛化性能。
-
神经网络方法也经常被用在为风电功率预报领域，其中比较典型的算法有基于RNN的GRU，LSTM等算法，基于卷积神经网络的TCN算法等。其中TCN算法是近期被认为具有潜力的算法。由于风电具备长时间序列依赖特征，因此为了捕获具有较长历史的时间序列，TCN使用了因果空洞卷积，采用指数级的放大方式扩大接受野。t时刻的输出取决于t时刻及之前的输入，说明历史信息没有被忽略，通过膨胀系数d实现了对卷积层的间隔采样，它扩大了接受野。总之，扩张因果卷积在处理数据时可以考虑更多的历史信息，获得更大的一维序列的特征视界。针对这种网络结构特征的定义如式（10）所示。
$$ F_{(S)} = (x_d^*f)(s) = \displaystyle \sum\limits_{i = 0}^{n - 1} {f(i) \cdot {x_{s - d \cdot i}}} $$ (10) 式中：
d ——膨胀系数，代表每间隔多少数据点进行一次采样；
$ {x}_{s-d\cdot i} $ ——经过按膨胀系数d间隔选取的第i个数据点。
-
受到近期被学术界广泛研究的编码器-解码器神经网络结构的启发，本研究中采用了一种新型的基于LSTM单元堆叠的编码器与解码器结构。相比传统LSTM，这种形式可以通过引入时间变量编码、解码时间段的数值预报信息来提升预报的准确性。改进的LSTM神经网络结构如图2所示，对于网络结构描述具体如下。
Figure 2. Improved LSTM network structure
编码器部分由多个编码器层堆叠而成，在本研究中每个编码器层包含2个子层。编码器输入层之前包含1个归一化层，用于平稳风电时间序列数据的波动情况，将所有值采用标准归一化方法归一化到[−1, 1]的区间内。编码器层的输入包含对时间序列的编码，编码器的输出为堆叠LSTM的输出。解码器部分为单个LSTM子层，其后包括1个残差连接层和1个全连接层。残差连接将编码器的输出与解码器的输出进行加和连接，残差层后经过单个全连接层进行最终结果输出。
总体来说，改进LSTM模型的网络结构除了引入编码器-解码器机制外还采用了残差连接和归一化的设计，以增强模型的训练稳定性和表达能力。
-
由于平均绝对误差（Mean Absolute Error，MAE）和均方根误差（Root Mean Squared Error，RMSE）可以反映预报值与真实值之间的距离，本文使用MAE、RMSE来评估预报误差。一般越小的值代表算法表现越好。同时本文也引入了被广泛风电场采用的准确率评估公式进行准确率评估对比，该公式可以表示实际发电功率与预报功率之间的偏差百分比。通常准确率越接近100%表示算法性能越好。它们的公式见式（11）~（13）。
$$ {\mathrm{MAE}}=\frac{1}{n}\sum _{i=1}^{n}\left|\widehat{{y}_{i}}-{y}_{i}\right| $$ (11) $$ {\mathrm{RMSE}}=\sqrt{\frac{1}{N}{\sum }_{i=1}^{N}{\left({y}_{i}-\widehat{{y}_{i}}\right)}^{2}} $$ (12) $$ 准确率=\left\{1-\sqrt{\frac{1}{N}{\sum }_{i=1}^{N}\left(\frac{{y}_{i}-\widehat{{y}_{i}}}{{y}_{\text{cap}}}\right)}\right\}\times 100\% $$ (13) 式中：
$ {y}_{i} $ ——真实值（MW）；
$ \widehat{{y}_{i}} $ ——预报值（MW）；
$ {y}_{{\mathrm{cap}}} $ ——电厂的装机容量（MW）。
-
风电场1和风电场2的数据清洗结果可以分别参见图3和图4所示。在图3中，左侧图为使用未经清洗的风速-风力发电功率绘制的散点图，右侧图的红色点状内容为经过使用RBF核的SVM进行边界划分数据清洗后的结果，在本实验中所选取的核参数为其中使用训练误差分数的上界划分参数nu值为0.05，RBF核曲线斜率γ选取0.5。图4与图3的呈现方式相同。从图中可以看出经过OneSVM算法清洗后的部分数据可以保留风电场的有效风功率特征，诸如功率记录异常数据、弃风时段的风功率数据等均可以被有效清除。图3与图4中散点右下方区域的点可能是由于部分风机故障检修或者部分风机迎风角度不正确导致，这种情况在日常发电过程中不属于常发事件，但这部分数据会对机器学习的结果产生较大的影响。经过OneSVM清洗后的数据不会包含这部分数据，因此可以整体提升机器学习算法的准确率。
Figure 3. Cleaning effect of abnormal data points in scatter diagram of wind farm 1
Figure 4. Cleaning effect of abnormal data points in scatter diagram of wind farm 2
-
本文对比了不同算法在数据清洗前和数据清洗后的预报误差，风电场1的结果数据如表2所示，风电场2的结果数据如表3所示。
指标 原始数据集 数据清洗&数据增强后数据集 LightGBM LSTM TCN 改进LSTM LightGBM LSTM TCN 改进LSTM MAE/MW 4.882 4.318 5.617 4.738 3.644 2.830 3.244 2.704 RMSE/MW 7.729 5.922 7.094 6.066 5.648 3.559 4.081 3.507 准确率/% 84.54 88.16 85.81 87.87 88.77 92.88 91.84 92.98 Table 2. Result data of wind farm 1
指标 原始数据集 数据清洗&数据增强后数据集 LightGBM LSTM TCN 改进LSTM LightGBM LSTM TCN 改进LSTM MAE/MW 1.273 0.532 0.898 0.569 0.994 0.372 0.726 0.369 RMSE/MW 2.028 0.907 1.336 0.903 1.597 0.540 1.244 0.526 准确率/% 88.73 94.96 92.58 94.98 91.13 97.00 93.09 97.08 Table 3. Result data of wind farm 2
表2和表3分别对应风电场1和风电场2的实验结果，从表中可以看到风电场1和风电场2所使用的方法相比其他方法具有比较优势。从风电场1的数据表中横向比较进行数据清洗及数据增强前后同样算法下的MAE指标相比未清洗情况平均误差减小了约2 MW，约占场站装机容量的2.5%，RMSE指标相比之前减少了约3 MW，约占场站装机容量的3.8%，平均准确率提升约5%。风电场2的提升数据也呈类似情况。比较表中使用原始数据集以及使用经过特征工程处理后的数据相比特征工程处理之前在所有指标上都有显著提升。
使用改进的LSTM算法在MAE、RMSE及准确率指标相比LightGBM算法在风电场1提升约0.94 MW、2.141 MW及4.21%，相比传统LSTM及TCN平均提升0.333 MW、0.313 MW及0.62%。风电场2的提升情况与风电场1类似。综合来看，平均2个场站的结果本文提出的改进算法在数据清洗后进行对比平均可以提升约2.5%的准确率，对比数据清洗前准确率平均可以提升约5.9%。表明文中所提出的改进LSTM算法针对风电功率预报模型的误差减小以及准确率提升是有效的。
-
通过上文分析结论，本文主要有以下3个贡献：
1）与现有的神经网络模型对比，文章中提出的改进LSTM模型在已知数据集上的表现优于TCN等流行的神经网络，它表现出了显著的性能。到目前为止，在风力发电日前预报领域还缺乏这样的比较。因此，本文将一种新的基于改进LSTM的深度学习方法应用于风电功率的预报，并通过与其他传统模型以及神经网络模型的比较，综合评估了该方法在风电功率预报中的有效性。
2）风机出力受一段时间内风速相对或绝对波动辐度、最大风速、最小风速、风速爬坡的频率等因子影响，因此准确的风速波动特征提取非常重要。虽然LSTM和TCN深度学习模型对历史信息具有记忆功能，但对风力发电的这些特征提取仍然不够。本研究中创新性地提出了一种时延滚动数据拼接的方法，并定义了4个对风机出力影响较大的风速特征变量输入到模型中，这种数据处理大大增强了模型的学习能力。
3）在这项研究中，一种基于OneSVM函数的检测和消除风力发电数据集中异常值的方法被提出，然后将其输入到TCN，改进LSTM等深度学习模型中。提出的基于OneSVM函数的异常值检测算法可以根据数据分布密度划分识别区域，识别异常值更加精准，增强了预报模型的准确率。
-
本研究针对风电功率预报问题，提出一种基于改进LSTM的预报模型。该模型集成了数据异常检测、风速特征提取、超参数优化等模块，形成了一套端到端的预报解决方案。研究表明，该模型可以有效检测和处理异常数据，准确学习风速特征，并利用改进LSTM网络进行预报，相较TCN等算法具有明显优势。本研究的3点创新与贡献包括：利用改进LSTM网络进行风电功率预报，与TCN等算法进行比较，验证其在风功率预报任务上的有效性；提出时延滚动数据拼接方法，定义风速特征变量，增强模型学习能力；应用基于OneSVM函数的异常值检测算法，提高预报准确率。
本研究为风电功率预报提供了一种新的基于深度学习的解决方案。相较于传统算法，该方案可以更好地建模时间依赖关系，提取关键特征，处理异常数据。研究结果表明，该模型可以显著提高风功率预报的精度。
A Short-Term Calgorithm Based on Improved LSTM Neural Network
doi: 10.16516/j.ceec.2024.1.12
- Received Date: 2023-11-30
- Rev Recd Date: 2023-12-15
- Available Online: 2024-01-30
- Publish Date: 2024-01-10
-
Key words:
- wind power day-ahead forecasting /
- LSTM neural network /
- deep learning /
- anomaly detection and handling /
- wind speed fluctuation features
Abstract:
| Citation: | GAO Sheng, XU Peihua, CHEN Zhenghong, et al. A short-term calgorithm based on improved LSTM neural network [J]. Southern energy construction, 2024, 11(1): 112-121 doi: 10.16516/j.ceec.2024.1.12
|
DownLoad:
