柯 銘 劉 凱 趙 宏

(蘭州理工大學(xué)計(jì)算機(jī)與通信學(xué)院 甘肅 蘭州 730050)

0 引 言

風(fēng)能是清潔、可再生能源，風(fēng)電產(chǎn)業(yè)發(fā)展越來(lái)越快。風(fēng)電平價(jià)上網(wǎng)的有序推進(jìn)，對(duì)風(fēng)電企業(yè)自身提出了更高的要求。由于風(fēng)電大規(guī)模接入電網(wǎng)，風(fēng)電自身的間歇性、波動(dòng)性、隨機(jī)性對(duì)電網(wǎng)安全造成的威脅越來(lái)越大[1]。風(fēng)電功率預(yù)測(cè)技術(shù)是風(fēng)電產(chǎn)業(yè)平穩(wěn)發(fā)展的重要支撐。

傳統(tǒng)風(fēng)電功率預(yù)測(cè)技術(shù)主要分為兩類：一類是基于物理方法的預(yù)測(cè)；另一類是基于歷史數(shù)據(jù)的預(yù)測(cè)[2]。本文采用了基于歷史數(shù)據(jù)的風(fēng)電功率預(yù)測(cè)方法。該方法的基本前提是假定風(fēng)電功率變化與歷史數(shù)據(jù)存在密切聯(lián)系[3-4]。基于這樣的假設(shè)，建立不同的模型，訓(xùn)練模型，從而使模型學(xué)習(xí)到風(fēng)電功率變化規(guī)律，利用訓(xùn)練完成的模型和風(fēng)電廠產(chǎn)生的新數(shù)據(jù)，對(duì)下一時(shí)段的風(fēng)電功率做相應(yīng)預(yù)測(cè)?；跉v史數(shù)據(jù)的預(yù)測(cè)方法已經(jīng)取得了良好的預(yù)測(cè)結(jié)果。文獻(xiàn)[5]采用小波變換與人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork，ANN)結(jié)合的方法對(duì)風(fēng)機(jī)發(fā)電量預(yù)測(cè)，解決了風(fēng)機(jī)發(fā)電量預(yù)測(cè)中的時(shí)延問(wèn)題，但風(fēng)電場(chǎng)預(yù)測(cè)時(shí)延問(wèn)題也可以通過(guò)追蹤實(shí)時(shí)風(fēng)電變化規(guī)律得到緩解。文獻(xiàn)[6]對(duì)比了LSTM模型、ANN模型和SVM模型在預(yù)測(cè)風(fēng)機(jī)發(fā)電量時(shí)的性能，隨著預(yù)測(cè)時(shí)長(zhǎng)的增加，各模型誤差均有所上升,但LSTM模型在各時(shí)段均取得了最好的預(yù)測(cè)效果。然而，上述文獻(xiàn)并未考慮不同風(fēng)電廠風(fēng)電變化規(guī)律的差異性。

不同風(fēng)電場(chǎng)、不同季節(jié)風(fēng)電功率預(yù)測(cè)非常復(fù)雜。為尋求一種新的預(yù)測(cè)方法，可以快速自適應(yīng)于任意風(fēng)電廠，本文提出了基于LSTM的滾動(dòng)預(yù)測(cè)方法?；跐L動(dòng)預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型相比于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型可以更加及時(shí)地追蹤風(fēng)電數(shù)據(jù)變化規(guī)律。滾動(dòng)預(yù)測(cè)方法在時(shí)間尺度上設(shè)計(jì)了特殊的預(yù)測(cè)邏輯，其預(yù)測(cè)邏輯及數(shù)據(jù)利用方式與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不相同。滾動(dòng)預(yù)測(cè)方法可以使模型不斷微調(diào)，更加準(zhǔn)確地跟蹤最新的風(fēng)電功率變化規(guī)律，有效預(yù)測(cè)超短期風(fēng)電功率；滾動(dòng)預(yù)測(cè)方法使模型具有快速自調(diào)節(jié)能力，因此模型可以快速應(yīng)用到不同風(fēng)電場(chǎng)進(jìn)行預(yù)測(cè)。本文采用某風(fēng)電廠的數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)(SupervisoryControlAndDataAcquisition，SCADA)真實(shí)歷史數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)。

1 LSTM網(wǎng)絡(luò)原理

循環(huán)神經(jīng)網(wǎng)絡(luò)(RecurrentNeuralNetwork,RNN)是人工神經(jīng)網(wǎng)絡(luò)的一種。RNN善于處理時(shí)間序列數(shù)據(jù)，可以在時(shí)間軸上描述數(shù)據(jù)前后關(guān)系。TensorFlow所提供的RNN結(jié)構(gòu)如圖1所示。

圖1 TensorFlow截?cái)喾聪騻鞑?/p>

TensorFlow提供的RNN截?cái)喾聪騻鞑ゲ煌跇?biāo)準(zhǔn)的截?cái)喾聪騻鞑ィ琓ensorFlow將序列分為兩部分，第一部分的FinalState作為第二部分的InitialState。這樣可以緩解梯度消失或梯度爆炸問(wèn)題，更容易獲取長(zhǎng)時(shí)間前后數(shù)據(jù)依賴關(guān)系。RNN每一層的層內(nèi)神經(jīng)元之間都有連接，這樣的結(jié)構(gòu)既有好處，也有不利影響。由于RNN層內(nèi)神經(jīng)元之間有連接，使網(wǎng)絡(luò)能夠?qū)W習(xí)到序列數(shù)據(jù)前后變化規(guī)律，序列數(shù)據(jù)內(nèi)部時(shí)序規(guī)律易于被挖掘，因此，RNN被廣泛應(yīng)用在語(yǔ)音識(shí)別、機(jī)器翻譯等序列數(shù)據(jù)處理領(lǐng)域[7-8]。但這樣的結(jié)構(gòu)也產(chǎn)生了一些問(wèn)題，在數(shù)據(jù)后向傳遞時(shí)，不可避免地容易產(chǎn)生梯度消失或梯度爆炸問(wèn)題，限制了其對(duì)長(zhǎng)時(shí)依賴關(guān)系的處理。RNN衍生的LSTM網(wǎng)絡(luò)通過(guò)在RNN隱藏層增加多個(gè)特殊的計(jì)算節(jié)點(diǎn)，改變了反向傳播時(shí)梯度傳遞的方式，有效減緩了梯度消失或梯度爆炸問(wèn)題。

SeppHochreiter和JurgenSchmidhuber于1997年提出LSTM網(wǎng)絡(luò)，它是一種特殊的RNN網(wǎng)絡(luò)[9-11]。LSTM網(wǎng)絡(luò)的block結(jié)構(gòu)如圖2所示。

圖2 LSTM網(wǎng)絡(luò)block結(jié)構(gòu)

在LSTM網(wǎng)絡(luò)block結(jié)構(gòu)中出現(xiàn)了多個(gè)gate結(jié)構(gòu)。在RNN網(wǎng)絡(luò)中前后兩個(gè)神經(jīng)元的隱藏層節(jié)點(diǎn)中只經(jīng)過(guò)一層Sigmoid激活函數(shù)，因此后向傳播時(shí)梯度會(huì)乘以Sigmoid激活函數(shù)的導(dǎo)數(shù)值。與RNN不同，LSTM的block是擁有三個(gè)gate結(jié)構(gòu)的特殊網(wǎng)絡(luò)，即inputgate、forgategate和outputgate。gate結(jié)構(gòu)含有一個(gè)Sigmoid激活函數(shù)和一個(gè)按位做乘法的計(jì)算節(jié)點(diǎn)。在LSTM中，前后兩個(gè)神經(jīng)元的隱藏層節(jié)點(diǎn)的信息傳播不是經(jīng)過(guò)Sigmoid層，而是乘以Sigmoid的函數(shù)值激活值，即LSTM的forgetgate，因此后向傳播時(shí)梯度會(huì)乘以Sigmoid的函數(shù)值。由于RNN在后向傳播時(shí)梯度不斷乘以Sigmoid的導(dǎo)數(shù)值，LSTM在后向傳播時(shí)梯度不斷乘以sigmoid的函數(shù)值，故兩者的數(shù)值分布存在著顯著差異[12]。這樣就解決了RNN在處理長(zhǎng)時(shí)依賴關(guān)系的數(shù)據(jù)時(shí)易產(chǎn)生梯度消失或梯度爆炸問(wèn)題。LSTM網(wǎng)絡(luò)block中顯示了LSTM的前向傳播，其具體計(jì)算如下：

ft=σ(Wf·[ht-1,xt]+bf)

(1)

式中:ft為forget gate的計(jì)算結(jié)果，forget gate主要用來(lái)控制上一時(shí)刻單元狀態(tài)ct-1傳遞到當(dāng)前時(shí)刻單元狀態(tài)ct的信息保留；[]表示對(duì)兩個(gè)向量做拼接計(jì)算；ht-1為上一時(shí)刻單元的輸出；wf和bf分別為forget gate的權(quán)重和偏置；σ為Sigmoid激活函數(shù)。

it=σ(Wi·[ht-1,xt]+bi)

(2)

式中：it為input gate的計(jì)算結(jié)果，輸入門(mén)也具有獨(dú)立的權(quán)重和偏置。

(3)

由式(1)-式(3)計(jì)算出當(dāng)前時(shí)刻單元狀態(tài)ct:

(4)

式中：° 表示按元素乘。

ot=σ(Wo·[ht-1,xt]+bo)

(5)

式中：ot為output gate的計(jì)算。

由式(4)-式(5)得出當(dāng)前時(shí)刻的輸出nt:

ht=ot° tanh(ct)

(6)

LSTM的正向傳播計(jì)算了當(dāng)前時(shí)刻單元狀態(tài)ct和當(dāng)前時(shí)刻的輸出ht，完成了網(wǎng)絡(luò)前向傳播計(jì)算。網(wǎng)絡(luò)的反向誤差傳播與其他神經(jīng)網(wǎng)絡(luò)反向傳播原理類似，最終更新網(wǎng)絡(luò)各處權(quán)重和偏置，完成模型訓(xùn)練。本文采用了LSTM網(wǎng)絡(luò)模型，同時(shí)結(jié)合了滾動(dòng)預(yù)測(cè)的方法進(jìn)行實(shí)驗(yàn)。

2 模型設(shè)計(jì)

2.1 模型數(shù)據(jù)預(yù)處理

數(shù)據(jù)歸一化是數(shù)據(jù)預(yù)處理的重要步驟之一，目的是使目標(biāo)函數(shù)快速收斂，歸一化操作是由于數(shù)據(jù)原始量綱不適合于模型輸入。本文選取了影響風(fēng)電功率預(yù)測(cè)的四種重要參數(shù)，即歷史功率、風(fēng)速、風(fēng)向以及溫度。對(duì)這幾種不同參量采用了不同的歸一化方法。功率歸一化如下：

(7)

式中：Po為原始數(shù)據(jù)；Pcap為風(fēng)機(jī)額定功率；Ps為歸一化后的功率值。風(fēng)速、風(fēng)向以及溫度歸一化計(jì)算如下：

(8)

在獲取長(zhǎng)時(shí)間的數(shù)據(jù)后得到了具有代表性的最值進(jìn)而計(jì)算歸一化后的數(shù)據(jù)。歸一化數(shù)據(jù)用于預(yù)測(cè)之后，重新將功率數(shù)值還原，從而具有實(shí)際意義，最終計(jì)算出模型的準(zhǔn)確率。

2.2 滾動(dòng)預(yù)測(cè)方法

基于歷史數(shù)據(jù)的風(fēng)電功率預(yù)測(cè)本質(zhì)是建立一個(gè)模型，反映一種映射關(guān)系，即未來(lái)一段時(shí)間的風(fēng)電功率與歷史風(fēng)電功率以及歷史環(huán)境因素參數(shù)之間的映射關(guān)系。這種映射關(guān)系是隨時(shí)間、地點(diǎn)變化的，描述一種變化的映射關(guān)系，只有使模型學(xué)習(xí)到相對(duì)完備的信息，這種關(guān)系才有可能被準(zhǔn)確描述。一個(gè)固定的、不變的復(fù)雜模型可以描述一個(gè)或周圍幾個(gè)風(fēng)電場(chǎng)的映射關(guān)系。距離較遠(yuǎn)風(fēng)電場(chǎng)預(yù)測(cè)難以用同一模型來(lái)描述各自的映射關(guān)系。同一風(fēng)電廠不同季節(jié)數(shù)據(jù)變化規(guī)律也難以用一個(gè)模型來(lái)描述。而基于數(shù)值天氣的預(yù)測(cè)方法是一種直接的輸出預(yù)測(cè)結(jié)果，其預(yù)測(cè)準(zhǔn)確性僅依賴于輸入的天氣數(shù)值參數(shù)的準(zhǔn)確性。雖然原理相對(duì)簡(jiǎn)單，但模型考慮了瞬時(shí)風(fēng)電功率變化規(guī)律，而不是用一套不變的參數(shù)去預(yù)測(cè)風(fēng)電功率，其各項(xiàng)參數(shù)因風(fēng)電場(chǎng)的不同而改變，可以準(zhǔn)確描述功率變化規(guī)律。

綜上，本文提出基于LSTM的滾動(dòng)預(yù)測(cè)模型，建立一種持續(xù)學(xué)習(xí)的預(yù)測(cè)方法，使網(wǎng)絡(luò)在實(shí)際應(yīng)用時(shí)具有自我微調(diào)能力。因此，網(wǎng)絡(luò)可以追蹤最新的功率變化規(guī)律，有利于提高模型的預(yù)測(cè)質(zhì)量。

滾動(dòng)預(yù)測(cè)將網(wǎng)絡(luò)接收到的最新數(shù)據(jù)，不僅作為預(yù)測(cè)的依據(jù)，同時(shí)與前一時(shí)刻的預(yù)測(cè)結(jié)果構(gòu)成訓(xùn)練數(shù)據(jù)，對(duì)新數(shù)據(jù)規(guī)律進(jìn)行再次學(xué)習(xí)，微調(diào)網(wǎng)絡(luò)參數(shù)，使網(wǎng)絡(luò)可以實(shí)時(shí)跟蹤數(shù)據(jù)變化規(guī)律，并使下一次預(yù)測(cè)更加精確。滾動(dòng)預(yù)測(cè)方法不僅能在被訓(xùn)練的風(fēng)機(jī)上取得良好的效果，也可以迅速遷移應(yīng)用到其他風(fēng)機(jī)上。若需要快速應(yīng)用到其他風(fēng)機(jī)可以使其學(xué)習(xí)目標(biāo)風(fēng)機(jī)的歷史數(shù)據(jù)，初步訓(xùn)練網(wǎng)絡(luò)，然后將其應(yīng)用于目標(biāo)風(fēng)機(jī)。若目標(biāo)風(fēng)機(jī)無(wú)歷史數(shù)據(jù)，可以學(xué)習(xí)臨近風(fēng)場(chǎng)的風(fēng)機(jī)數(shù)據(jù)或類似地形氣候條件下的風(fēng)機(jī)數(shù)據(jù)，再通過(guò)滾動(dòng)預(yù)測(cè)掌握目標(biāo)風(fēng)機(jī)功率變化規(guī)律。滾動(dòng)預(yù)測(cè)網(wǎng)絡(luò)的時(shí)序邏輯如圖3所示。

當(dāng)網(wǎng)絡(luò)進(jìn)行實(shí)際預(yù)測(cè)時(shí)，從T2時(shí)刻起會(huì)自動(dòng)更新LSTM網(wǎng)絡(luò)參數(shù)，以及時(shí)追蹤到參數(shù)變化規(guī)律，有利于提高預(yù)測(cè)質(zhì)量。此外，為了防止過(guò)擬合現(xiàn)象的出現(xiàn)，網(wǎng)絡(luò)在模型訓(xùn)練時(shí)采用的學(xué)習(xí)率為指數(shù)衰減策略，而在測(cè)試，即模擬實(shí)際應(yīng)用中使用了固定且很小的學(xué)習(xí)率，控制了每次滾動(dòng)預(yù)測(cè)中網(wǎng)絡(luò)參數(shù)可調(diào)整的范圍。這樣使得網(wǎng)絡(luò)在滾動(dòng)預(yù)測(cè)測(cè)試中能夠微調(diào)網(wǎng)絡(luò)參數(shù)，跟蹤數(shù)據(jù)最新變化規(guī)律，且不易發(fā)生過(guò)擬合現(xiàn)象。

3 實(shí)驗(yàn)分析

3.1 模型結(jié)構(gòu)

本文以LSTM網(wǎng)絡(luò)作為預(yù)測(cè)模型。利用Python及深度學(xué)習(xí)框架TensorFlow搭建了模型進(jìn)行實(shí)驗(yàn)。利用TensorFlow可視化工具Tensor Board可以顯示整個(gè)模型的結(jié)構(gòu)，如圖4所示。其中，LSTM網(wǎng)絡(luò)采用了basic_lstm_cell作為L(zhǎng)STM網(wǎng)絡(luò)的隱藏層。

圖4 LSTM模型

3.2 實(shí) 驗(yàn)

本文使用TensorFlow深度學(xué)習(xí)框架搭建LSTM模型，修改了模型對(duì)數(shù)據(jù)處理的邏輯順序，即將其與滾動(dòng)預(yù)測(cè)方法相結(jié)合，并對(duì)不同時(shí)長(zhǎng)的數(shù)據(jù)進(jìn)行預(yù)測(cè)實(shí)驗(yàn)。采用某風(fēng)電場(chǎng)真實(shí)歷史數(shù)據(jù)，選取了四維參數(shù)：歷史功率、瞬時(shí)風(fēng)速、瞬時(shí)風(fēng)向和環(huán)境溫度對(duì)未來(lái)風(fēng)電功率進(jìn)行了預(yù)測(cè)。實(shí)驗(yàn)選取了與風(fēng)機(jī)發(fā)電量聯(lián)系最為緊密的四維歷史參數(shù)數(shù)據(jù)，在參數(shù)選取時(shí)，參數(shù)不宜過(guò)多，這會(huì)影響對(duì)風(fēng)電功率變化規(guī)律的特征提取，也不宜太少，導(dǎo)致其提供的信息量不足，數(shù)據(jù)特征也難以提取。

搭建模型之后將實(shí)驗(yàn)數(shù)據(jù)分為兩部分：訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。設(shè)計(jì)了輸入輸出的數(shù)據(jù)格式，將輸入網(wǎng)絡(luò)的數(shù)據(jù)進(jìn)行后項(xiàng)截取，提取風(fēng)電功率數(shù)據(jù)，進(jìn)行前向截取，使其形成時(shí)間差，模擬時(shí)間序列，使輸入到模型中的數(shù)據(jù)能按照滾動(dòng)預(yù)測(cè)方法的要求模擬出真實(shí)的用場(chǎng)景。

實(shí)驗(yàn)采用了同一數(shù)據(jù)集，對(duì)比了不同的數(shù)據(jù)量對(duì)模型進(jìn)行測(cè)試。首先設(shè)計(jì)程序檢查錯(cuò)誤缺失數(shù)據(jù)，然后進(jìn)行數(shù)據(jù)截取及歸一化，最后在不同數(shù)據(jù)量中檢測(cè)了模型性能。經(jīng)過(guò)多次實(shí)驗(yàn)分析，發(fā)現(xiàn)建立具有240個(gè)隱含神經(jīng)元的LSTM網(wǎng)絡(luò)，在運(yùn)算速度以及預(yù)測(cè)準(zhǔn)確率之間得到了一定的平衡。同時(shí)，如使用過(guò)于復(fù)雜的網(wǎng)絡(luò)而沒(méi)有足夠的數(shù)據(jù)進(jìn)行訓(xùn)練，易導(dǎo)致過(guò)擬合現(xiàn)象的產(chǎn)生，因此，建模過(guò)程中需要多次實(shí)驗(yàn)驗(yàn)證所建網(wǎng)絡(luò)的復(fù)雜程度是否合理。

實(shí)驗(yàn)中滾動(dòng)LSTM模型15分鐘預(yù)測(cè)損失函數(shù)變化趨勢(shì)如圖5所示。

圖5 LSTM損失函數(shù)變化曲線

可以看出，損失函數(shù)的值在前20次迭代中下降很快，表明網(wǎng)絡(luò)正在不斷學(xué)習(xí)數(shù)據(jù)特征。經(jīng)過(guò)40輪迭代計(jì)算后順勢(shì)函數(shù)波動(dòng)較小。最終損失函數(shù)維持在0.5左右。

BP((back propagation，BP)網(wǎng)絡(luò)作為一種基本的神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用在回歸預(yù)測(cè)問(wèn)題中。本文首先對(duì)比研究了BP網(wǎng)絡(luò)與LSTM網(wǎng)絡(luò)在同一數(shù)據(jù)集下對(duì)風(fēng)機(jī)發(fā)電量的預(yù)測(cè)。在預(yù)測(cè)中BP網(wǎng)絡(luò)采用了13層的隱含層網(wǎng)絡(luò)，分別對(duì)不同時(shí)間長(zhǎng)度的風(fēng)機(jī)發(fā)電量進(jìn)行了預(yù)測(cè)，結(jié)果如表1所示。

表1 BP網(wǎng)絡(luò)LSTM網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果

從表1可以看出，LSTM網(wǎng)絡(luò)整體性能優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，在各個(gè)預(yù)測(cè)時(shí)長(zhǎng)均取得了優(yōu)于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果。

在研究滾動(dòng)預(yù)測(cè)與LSTM相結(jié)合的實(shí)驗(yàn)中，訓(xùn)練、測(cè)試和預(yù)測(cè)數(shù)據(jù)，時(shí)間分辨率均為1分鐘，預(yù)測(cè)時(shí)長(zhǎng)和預(yù)測(cè)依據(jù)時(shí)長(zhǎng)相等。采用了相同的訓(xùn)練數(shù)據(jù)集，測(cè)試數(shù)據(jù)集有所不同，分別使用了6 840和66 240條數(shù)據(jù)進(jìn)行測(cè)試實(shí)驗(yàn)。同時(shí)研究了15分鐘、30分鐘、45分鐘和60分鐘的風(fēng)電預(yù)測(cè)。BP網(wǎng)絡(luò)與LSTM網(wǎng)絡(luò)在預(yù)測(cè)風(fēng)機(jī)發(fā)電預(yù)測(cè)結(jié)果如表2所示，可以看出滾動(dòng)預(yù)測(cè)的方法明顯優(yōu)于傳統(tǒng)方法。采用66 240條測(cè)試數(shù)據(jù)預(yù)測(cè)15分鐘，滾動(dòng)預(yù)測(cè)方法比傳統(tǒng)LSTM模型誤差減小了約13%。此外，滾動(dòng)預(yù)測(cè)模型隨著測(cè)試數(shù)據(jù)的增加，其預(yù)測(cè)性能進(jìn)一步被提高。不同測(cè)試數(shù)據(jù)量預(yù)測(cè)15分鐘功率時(shí)，采用66 240條數(shù)據(jù)的準(zhǔn)確率比采用6 840條數(shù)據(jù)提高了9.3%。

表2 滾動(dòng)LSTM網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果

隨著預(yù)測(cè)時(shí)長(zhǎng)的增加，所有預(yù)測(cè)模型的誤差都在不斷增加，因此僅依賴歷史數(shù)據(jù)的預(yù)測(cè)方法隨著預(yù)測(cè)時(shí)長(zhǎng)增加誤差也逐步增大。基于滾動(dòng)預(yù)測(cè)的LSTM模型在任何時(shí)長(zhǎng)的預(yù)測(cè)中均取得了最好的結(jié)果。滾動(dòng)預(yù)測(cè)的方法隨著測(cè)試數(shù)據(jù)集的來(lái)源與訓(xùn)練數(shù)據(jù)集的差異變化，更能體現(xiàn)其優(yōu)越性。

最終得到15分鐘基于滾動(dòng)預(yù)測(cè)的LSTM模型結(jié)果，選取2 000分鐘的預(yù)測(cè)結(jié)果與真實(shí)數(shù)據(jù)，如圖6所示。

圖6 預(yù)測(cè)結(jié)果

可以看出，雖然預(yù)測(cè)數(shù)據(jù)基本接近真實(shí)值，但延遲現(xiàn)象還是非常明顯。

4 結(jié) 語(yǔ)

本文提出了基于LSTM的滾動(dòng)預(yù)測(cè)風(fēng)機(jī)發(fā)電量預(yù)測(cè)方法，該方法可以及時(shí)追蹤風(fēng)電功率變化規(guī)律。相比普通LSTM網(wǎng)絡(luò)提高了風(fēng)機(jī)發(fā)電量預(yù)測(cè)準(zhǔn)確率，同時(shí)增強(qiáng)了網(wǎng)絡(luò)對(duì)不同風(fēng)電場(chǎng)的適應(yīng)能力，隨著測(cè)試數(shù)據(jù)的增加。滾動(dòng)預(yù)測(cè)方法更能體現(xiàn)其優(yōu)勢(shì)，即模型長(zhǎng)時(shí)間地投入使用，其預(yù)測(cè)準(zhǔn)確率可進(jìn)一步提高。