李春平，張沛，彭春華，尹瑞，時珉

（1.華東交通大學電氣與自動化學院，江西省 南昌市 330013；2.國網(wǎng)河北省電力有限公司，河北省石家莊市 050021）

0 引言

由于風電的波動性和間歇性特點，并網(wǎng)風力發(fā)電在提供清潔能源的同時，給電力系統(tǒng)的安全、穩(wěn)定運行帶來了嚴峻挑戰(zhàn)[1]。精確的實時風電功率預測能夠幫助調度滾動地修正日出力計劃曲線，在保證電力系統(tǒng)運行的安全性和經(jīng)濟性的同時，提高風電的消納水平[2]。風電功率預測按預測時間尺度有超短期(0～4 h 內(nèi))、短期(1～3 天內(nèi))、中長期(數(shù)月/年內(nèi))[3]。而風電功率實時預測是指自預測時刻起對未來15 min 至4 h 內(nèi)風電功率進行預測，兩個預測值之間間隔為15 min，實時滾動預測各個時間點的風電功率[4]。因此風電功率實時預測為超短期多步預測。

風電功率預測方法可以分為兩大類，即物理方法和統(tǒng)計方法。物理方法一般基于數(shù)值天氣預報先對風速進行預測，然后根據(jù)風速-功率曲線得到風電功率的預測值。文獻[5]利用美國航天局地球觀測系統(tǒng)的全球風速數(shù)據(jù)，從而得到中國某風電場未來風速,再根據(jù)風機的風速-功率特性曲線預測不同時間尺度下的風電功率；文獻[6]采用K 均值聚類方法對預測日前20 天的數(shù)值天氣預報（Numerical Weather Prediction，NWP）數(shù)據(jù)樣本進行聚類，在各類下分別建立模型預測短期風電功率。由于物理方法高度依賴數(shù)值天氣預報的數(shù)據(jù)，其精度受數(shù)值天氣預報精度的影響較大。統(tǒng)計方法則是基于功率、氣象歷史數(shù)據(jù)進行預測。目前比較常用的有時間序列法、人工神經(jīng)網(wǎng)絡(Artificial Neural Networks，ANN)法、支持向量機(Support Vector Machine，SVM)法等，以及這些方法的組合方法[7]；文獻[8]考慮風電功率時間序列波動性特點，建立了多重離群點平滑轉換自回歸模型進行短期風電功率預測，但未利用NWP時序序列信息會導致其精度隨著預測時間增長而降低；文獻[9]根據(jù)實測功率數(shù)據(jù)、不同高度的氣象數(shù)據(jù)，建立了基于神經(jīng)網(wǎng)絡的風電功率誤差帶預測模型,實現(xiàn)了誤差帶預測，與傳統(tǒng)方法相比預測精度有提高；文獻[10]根據(jù)風速、風向、氣溫、氣壓等氣象特征，建立了基于SVM 的短期風電功率預測，與ANN 相比其預測精度有所改善；文獻[11]將風速分段后在高、低風速段使用最小二乘支持向量機預測模型，中風速段使用高斯模型預測，預測時間與精度優(yōu)于單一模型。

對于如何提高風電功率實時預測精度，大量文獻提出了許多實時預測模型?；韭肪€是利用歷史實際風電功率(Real Wind Power, RWP)時間序列和歷史風速、風向等數(shù)據(jù)對模型進行訓練，然后以此模型進行功率預測。文獻[12]利用灰色關聯(lián)關系和標準風速功率曲線建立了基于灰色關聯(lián)決策的風電功率實時預測模型，相較于完全基于歷史風速或者完全基于歷史功率的模型,該方法提高了預測精度；文獻[13]利用數(shù)據(jù)挖掘和模糊聚類技術將不同的機組進行分類, 并分別進行實時預測，將預測結果進行累加得到最終的預測結果；文獻[14]利用經(jīng)驗模態(tài)分解算法將風電功率時間序列分解為若干子序列，以及值點劃分法將若干子序列重構為3 個分量，再在每個分量上建立基于集對分析的實時預測模型，最后將各個分量預測結果疊加；文獻[15]采用集合經(jīng)驗模態(tài)分解算法將風電功率時間序列分解為各個子序列，對各子序列建立相關向量機預測模型，最后將得到的各子序列預測結果疊加得到最終功率預測值。然而這類方法的不足在于：①因為其輸入特征只單純利用歷史風電功率時間序列以及歷史氣象數(shù)據(jù)預測未來風電功率，而不考慮未來預測時段的NWP 數(shù)據(jù)，然而NWP 對風電功率的影響是根本性的和趨勢性的，所以其預測精度會隨著預測時間尺度的增長而快速下降；②風電功率時間序列具有動態(tài)特性[16]，即系統(tǒng)的輸出不僅與當前時刻的輸入有關，而且與過去的輸入有關，但現(xiàn)有時間序列模型(如Auto Regression Moving Average,ARMA)、常用的神經(jīng)網(wǎng)絡(ANN、SVM 等)結構決定了其并不能學習到風電功率、風速、風向等時間序列間的關聯(lián)性，因此風電功率預測的精度難于再提高。

文獻[17]提出一種基于長短期記憶(long short-term memory, LSTM)網(wǎng)絡的超短期風電功率預測模型，因LSTM 網(wǎng)絡有短期記憶能力，即能反映前面時刻輸出值對當前時刻值的影響，與ARMA、ANN、SVM 等模型相比其預測精度有顯著提高。但其不足在于：①其輸入特征只單純利用歷史風電功率時間序列以及歷史氣象數(shù)據(jù)預測未來風電功率，而不考慮未來預測時段的 NWP數(shù)據(jù)。所以其難以預測由于氣象突變造成的功率突變時的功率值，且隨著預測時間尺度的增長這種問題越嚴重；②其對如何選定LSTM 的輸入時間步長，即使用多少個歷史時刻來預測下一時刻的輸出值未給出依據(jù)與方法，而輸入步長會直接影響LSTM 預測性能；③所用的LSTM 模型為標準的LSTM，未對其為適合風電功率預測進行優(yōu)化改進。而氣象因素或風電功率的隨機性、波動性極強且數(shù)值尺度相差極大，因此有必要為風電功率預測對標準LSTM 進行優(yōu)化改進。

因此，本文提出考慮數(shù)值天氣預報和風電功率時序間關聯(lián)關系的隨差遺忘長短期記憶風電功率滾動預測方法。首先，采用斯皮爾曼相關性分析方法，對預測時刻的風電功率與歷史時刻的風電功率，以及預測時刻的風電功率與預測時刻的NWP 數(shù)據(jù)（如風速，風向等）進行相關性分析。篩選出相關性強的歷史時刻風電功率與數(shù)值天氣預報的氣象信息，作為每步隨差遺忘長短期記憶

(Error Following Forget Gate-based LSTM, EFFGbased LSTM)預測模型的多變量輸入特征序列。當預測t 時刻時，利用t–1 時刻風電功率預測值和實際值的差值作為EFFG-based LSTM 模型遺忘門的輸入來調整遺忘門的輸出，以降低t–1 時刻預測誤差對t 時刻風電功率預測精度的影響，從而提高滾動預測精度。

1 相關性分析與輸入特征序列構建

氣象數(shù)據(jù)與風電功率都具有時序相關性，即當前時刻氣象數(shù)據(jù)和風電功率與歷史時刻風電功率有關。因此需要量化評估當前t 時刻風電功率與歷史(t–1、t–2 等)時刻氣象數(shù)據(jù)和風電功率的相關性，以確定EFFG-based LSTM 的輸入變量。

由于氣象因素和風電功率不服從某種特定概率分布，因此宜采用斯皮爾曼相關系數(shù)法來分析風電功率與NWP 特征之間以及風電功率時間序列自相關性。斯皮爾曼相關性系數(shù)，也即斯皮爾曼秩相關系數(shù)。“秩”可以理解成一種順序或者排序，它根據(jù)原始數(shù)據(jù)的排序位置進行求解：

式中：n 為樣本數(shù)量；di為兩列第i 個樣本數(shù)列重新按降序排列后的序號差。

圖1 實時預測輸入特征序列數(shù)據(jù)的構建Fig.1 Construction of input feature sequence data for real time prediction

如圖1 所示，以斯皮爾曼相關性方法進行風電功率與各NWP 特征相關性量化分析、風電功率時間序列自相關性量化分析后，重新構建了一個包含歷史時刻RWP 與預測時刻NWP 的特征序列輸入，以此時間序列作為每步預測的輸入進行實時滾動的風電功率預測。

2 隨差遺忘長短期記憶網(wǎng)絡

在任意時刻(如t 時刻)每個LSTM 單元（cell）輸入有3 個：t 時刻LSTM cell 的輸入變量 x(t)、t–1時刻 LSTM cell 的輸出量 h(t–1)、以及t–1 時刻LSTM cell 的狀態(tài)量 c(t–1)。在本文中，x(t)為t時刻輸入到LSTM 單元中的歷史風電功率與t 時刻的預報氣象；h(t–1)為t–1 時刻LSTM 單元輸出的風電功率預測值；c(t–1)為保存或遺忘了的前t–1 時刻LSTM 單元的歷史輸出值。輸出有2 個：t 時刻 LSTM 輸出值 h(t)和t 時刻LSTM 單元狀態(tài) c(t)，即t 時刻的風電功率預測值和歷史風電功率預測值的保存或遺忘狀態(tài)。在任意時刻每個LSTM 都擁有3 個門，來保護和控制LSTM cell 狀態(tài)，分別為: 輸入門、輸出門和遺忘門[18]。圖2展示了LSTM 時序預測模型及其內(nèi)部結構。

圖2 LSTM 時序模式及其內(nèi)部結構Fig.2 LSTM timing mode and its internal structure

遺忘門f(t)：根據(jù)t–1 時刻輸出h(t–1)和t 時的輸入x(t)，確定了t–1 時刻c(t–1)信息有多少保存到t 時刻的單元狀態(tài)c(t)中。因此，遺忘門的數(shù)學表達式：

式中：s 為sigmoid 激活函數(shù)；Wf為遺忘門的權重矩陣；bf為遺忘門的偏置項。

在風電功率實時滾動預測模式下進行t 時刻預測時，t–1 時刻模型的預測值與測量的實際值是已經(jīng)可以得到，所以就有了實際值與預測值的偏差（誤差）。此時的偏差不僅反映了t–1 時刻模型的預測能力也包含了歷史時刻信息對預測值到底還能有多少積極的作用。如果計算后發(fā)現(xiàn)偏差巨大，那就說明歷史時刻值對t 時刻預測已無太大的支持作用了進而要減小歷史時刻值對預測輸出值的影響。在LSTM 單元中，減小歷史時刻信息對當前預測的作用也即減小t–1 時刻的LSTM 單元狀態(tài)c(t–1)，是通過遺忘門來實現(xiàn)的。因此，遺忘門要根據(jù)t–1 時刻預測值與實際值偏差情況調整遺忘門大小，即進行隨差遺忘。但是從式(2)可知標準LSTM 的遺忘門是由t–1 時刻輸出h(t–1)和t 時刻的輸入x(t)來確定的，這種更新方式不能計及t–1 時刻預測值與實際值的偏差對t 時刻遺忘門的調整作用。為此，把t–1 時刻預測值與實際值兩者的絕對誤差來作為遺忘門更新的輸入量如：

根據(jù)式(3)，遺忘門根據(jù)t–1 時刻預測值與實際值的誤差反饋來調整t 時刻遺忘門的大小，即實現(xiàn)了對歷史信息的隨差遺忘。在風電功率實時預測模式下，改進后的更新規(guī)則更適合于實時功率預測。

隨差遺忘長短期記憶網(wǎng)絡在t 時刻結構如圖3所示。隨差遺忘長短期記憶網(wǎng)絡與標準的長短期記憶網(wǎng)絡相比，除了遺忘門輸入改進為預測值ht–1與實際值h’t–1外，其它門的更新方式與標準的長短期記憶一樣。隨差遺忘長短期記憶網(wǎng)絡輸入門與輸出門的更新方式如下：

圖3 隨差遺忘LSTM 單元內(nèi)部結構Fig.3 Unit internal structure of Error Following Forget Gate-based LSTM

輸入門i(t)：根據(jù)t–1 時刻輸出h(t–1)和t 時刻的輸入x(t)來決定將當前的信息量保存到t 時刻單元狀態(tài)c(t)中，也可以避免將當前無關緊要的信息進入到c(t)中。因此，輸入門的數(shù)學表達式為：

式中：Wi為遺忘門的權重矩陣；bi為遺忘門的偏置項。

式中：T 為tanh 激活函數(shù)；Wc為輸入門的權重矩陣；bc為輸入門的偏置項。

新單元狀態(tài)C(t)：由t–1 時刻的單元狀態(tài)c(t–1)乘以遺忘門 f(t)，再用當前輸入的單元狀態(tài)乘以輸入門i(t)，后將兩個積相加。把當前t時刻的記憶和長期的記憶c(t–1) 組合在一起，形成了新的單元狀態(tài)c(t)。因此，新單元狀態(tài)C(t)的數(shù)學表達式為：

根據(jù)式(6)新單元狀態(tài)，C(t)由于遺忘門的控制，可以保存很久之前的信息，由于輸入門的控制，又可以避免當前無關緊要的內(nèi)容進入記憶。

輸出門O(t)：根據(jù)上個時刻輸出h(t–1)和當前的輸入x(t)來控制最終單元狀態(tài)c(t)有多少輸出到LSTM 最終輸出h(t)中。因此，輸出門O(t)的數(shù)學表達式為：

式中：Wo為輸入門的權重矩陣；bo為輸入門的偏置項。

最后，隨差遺忘長短期記憶模塊的最終輸出h(t)為：

至此，由公式(3)～(8)構成一個完整EFFGbased LSTM 單元。

3 基于隨差遺忘長短期記憶的風電功率實時預測模型

基于EFFG-based LSTM 的風電功率實時預測模型動態(tài)結構如圖4 所示，假設歷史的RWP 取t–1，t–2，t–3 時刻功率；NWP 特征取風速與風向。在預測t 時刻功率時，將由RWP（t–1 時刻功率；t–2 時刻功率；t–3 時刻功率）與NWP（t時刻風速；t 時刻風向）構成的時間序列輸入數(shù)據(jù)輸入到EFFG-based LSTM 網(wǎng)絡中。然后EFFGbased LSTM 網(wǎng)絡模型預測出t 時刻的風電功率。在進行t+1 時刻預測時，把t 時刻實測功率與t–1，t–2 時刻功率和t+1 時刻風速、t+1 時刻風向作為輸入數(shù)據(jù)；同時用t 時刻的預測值和功率實際值作為EFFG-based LSTM 模型遺忘門的輸入來更新遺忘門的大小，再預測輸出t+1 時刻的風電功率。如此滾動預測出未來每個時刻的風電功率。

圖4 基于隨差遺忘長短期記憶風電功率預測流程圖Fig.4 Flow chart of wind power prediction based on EFFG-based LSTM

基于EFFG-based LSTM 的風電功率實時預測模型在t 時刻的靜態(tài)網(wǎng)絡結構如圖5 所示，包含一層輸入層(歷史RWP 與未來NWP 數(shù)據(jù)及上一時刻模型預測與功率實際值)、一層隱含層(EFFGbased LSTM 網(wǎng)絡層)、一層輸出層。

圖5 基于隨差遺忘長短期記憶風電功率預測模型網(wǎng)絡結構圖Fig.5 Network structure diagram of wind power prediction model based on EFFG-based LSTM

輸入層：輸入層即時間序列模式的輸入特征量，其中X 為當前t 時刻的過去時刻(t–1，t–2，t–3等)RWP 與t 時刻NWP（風速、風向等）組成一組時間序列及上一時刻模型預測與功率實際值，輸入層首先把輸入數(shù)據(jù)根據(jù)式（9）進行歸一化處理。

式中： xmax為 該變量的極大值； xmin為該變量的極小值。

再把歸一化的數(shù)據(jù)轉化為EFFG-based LSTM神經(jīng)元（cell）輸入數(shù)據(jù)的格式，最后數(shù)據(jù)進入到隱含層，即EFFG-based LSTM 網(wǎng)絡中。

隱含層：隱含層即EFFG-based LSTM 網(wǎng)絡，一層隱含層既能保證預測模型較快的預測計算速度；另外不需要考慮由于隱含層過多致使網(wǎng)絡過深而可能出現(xiàn)的過擬合現(xiàn)象。隱含層的神經(jīng)元（cell）即為如圖3 所示的EFFG-based LSTM 單元。

輸出層：f(.)為輸出層激活函數(shù)，Y 為下一時刻t 風電功率預測值。輸出層把隱含層的輸出進行加權與偏置后，輸出一維的預測風電功率。因輸入層已經(jīng)把數(shù)據(jù)歸一化，所以在輸出層需要按式(10)進行反歸一化計算。最后得到實際的風電功率預測值：

4 算例分析

4.1 數(shù)據(jù)說明與試驗設計

本文樣本數(shù)據(jù)來自中國西北某實際風電場的歷史數(shù)據(jù)，即2017 年7 月1 日至7 月21 日的NWP數(shù)據(jù)與歷史實際風電功率。此期間風電場的開機容量為90 MW，風電功率采樣時間間隔為 15 min，NWP 預報間隔為 15 min。NWP 包含有170 m、100 m、30 m 處的風速與風向。

首先利用斯皮爾曼相關系數(shù)法進行風電功率與NWP 各特征相關性系數(shù)的計算、當前風電功率與歷史風電功率相關性系數(shù)的計算，以此篩選出預測模型輸入特征變量。

表1 中數(shù)值為風電功率與NWP 各特征量的斯皮爾曼相關系數(shù)，數(shù)值大小反映了風電功率與NWP 各特征量相關性的強弱。從表1 中可知：此風電場當前t 時刻風電功率與當前t 時刻100 m、30 m 處的風速與風向最相關。因此，此風電場要預測t 時刻的風電功率時需將t 時刻100 m、30 m處的風速與風向計入到新構建的時間序列中。

表1 風電功率與各個NWP 特征量之間的斯皮爾曼相關系數(shù)分析結果Table 1 Analysis results of wind power and Spearman correlation coefficients among NWP characteristic quantities

表2 中數(shù)值為當前（t 時刻）風電功率與歷史（t–1、t–2、t–3 等時刻）風電功率的斯皮爾曼相關系數(shù)，數(shù)值大小反映了當前時刻風電功率與各歷史時刻風電功率相關性的強弱。從表2 中可知：此風電場當前t 時刻功率與t–1、t–2、t–3 歷史時刻功率的相關性較強。因此，要預測此風電場t 時刻的功率時需將t 時刻前3 個時刻功率放入到新構建的時間序列中。

表2 t 時刻與前t 各時刻風電功率之間的斯皮爾曼相關系數(shù)分析結果Table 2 Spearman correlation coefficient between real wind power at t time and at time t before

EFFG-based LSTM 網(wǎng)絡參數(shù)設置：由前面的斯皮爾曼相關性計算可知輸入步長為4，即前三個歷史時刻RWP 與預測時刻NWP。隱含層神經(jīng)元即EFFG-based LSTM 單元（cell）個數(shù)與預測精度（如RMSE）并不是線性關系，即達到一定數(shù)目后再增加cell 個數(shù)預測精度反而會減小。所以，隱含層神經(jīng)元數(shù)目要根據(jù)時間序列中輸入特征量的多少、模型訓練精度高低來確定，經(jīng)反復試驗驗證其設置為12 時預測精度最好。EFFGbased LSTM 各個門激活函數(shù)保持為默認值。

最后以2017 年7 月1 日至7 月19 日的數(shù)據(jù)作為模型訓練樣本數(shù)據(jù)，進行兩種時間尺度的實時預測。一是預測未來4 h 內(nèi)，即從7 月20 日10:00 至14:45 的風電功率；二是預測未來24 h 內(nèi)，即7 月21 日一天內(nèi)的風電功率。

4.2 預測效果評估

因為實際風電功率值存在零值，預測效果評估指標中常用的平均絕對百分比誤差(mean absolute percentage error，MAPE)將失去意義[19]，所以本文采用均方根誤差(root mean square error，RMSE)和文獻[4]中的準確率AR、合格率QR 指標對預測結果進行評價。

均方根誤差RMSE 計算公式：

式中：n 為預測結果個數(shù)；P 為目標數(shù)據(jù)的實際值；P'為目標數(shù)據(jù)的預測值；i 為實際值、預測值序列編號。

準確率AR 計算公式：

式中：PMK為K 時間段的實際功率平均值；PPK為K 時間段的預測功率平均值；Pcap為風電場對應時段的開機容量；N 為預測總時段數(shù)。

合格率QR 計算公式：

4.3 預測結果比較

為驗證和比較本文預測模型的預測性能，本文采用基于SVM 和標準的LSTM 風電功率實時預測模型作為對比模型進行預測結果對比分析。對比模型同樣以2017 年7 月1 日至7 月19 日的數(shù)據(jù)作為訓練數(shù)據(jù)，進行兩種時間尺度的實時預測，即7 月20 日10:00 至14:45 的風電功率以及7 月21 日一天內(nèi)的風電功率。各模型預測結果如圖6、7 所示。

圖6 3 種模型實時預測4 h 內(nèi)的風電功率Fig.6 Predicted wind power within 4 hours by three models

圖7 3 種模型實時預測24 h 內(nèi)的風電功率Fig.7 Predicted wind power within 24 hours by three models

從圖6、7 可知：無論是在4 h 還是24 h 時間段上的預測，SVM 預測模型是3 個模型中表現(xiàn)最差的，其大致能預測出風電功率的變化趨勢，但是具體到單一時間點時，預測值與實際值的絕對誤差較大。原因在于SVM 不是適合時間序列預測的模型，無法處理時間序列間關聯(lián)信息和時間相關性。而且SVM 也不是基于深度學習技術的模型，對大量樣本的特征學習能力有限；LSTM與EFFG-based LSTM 預測模型無論是4 h 還是24 h時間段上的預測結果都優(yōu)于SVM 預測模型，因為其首先利用了深度學習技術來優(yōu)化網(wǎng)絡里的各個參數(shù)以達到最優(yōu)，其次LSTM 與EFFG-based LSTM 網(wǎng)絡為一種時間序列網(wǎng)絡模型，能較好地處理風電功率時間序列間關聯(lián)信息和時間相關性，適合于有時序關聯(lián)性的時間序列的預測。但是在風電功率波動性大的時段，即功率時增時減時段EFFG-based LSTM 預測模型要明顯優(yōu)于LSTM 預測模型。原因在于LSTM 遺忘門的更新僅僅是通過上一時刻輸出值與當前的所有輸入量，因此不能反映上一時刻模型預測值與功率實際值之間的誤差對遺忘門的影響。而EFFG-based LSTM 遺忘門的更新是通過上一時刻模型預測值與功率實際值之間的誤差來更新的。所以當誤差較大時遺忘門也增大，也即模型的遺忘系數(shù)大了，歷史輸出值將遺忘更多，歷史值對模型的作用就更小了。在風電功率突變的時段，下一時刻的功率與上幾個時刻功率沒有歷史關聯(lián)性，即預測下一時刻功率時其歷史值沒有支持作用了，所以要減小歷史值的作用。EFFG-based LSTM 遺忘門的更新正是契合此種情況，所以EFFG-based LSTM 預測模型在風電功率波動性大的時段的預測效果是最好的。

表3、4 分別為3 個預測模型4 h 和24 h 預測結果的RMSE、準確率AR、合格率QR。

由表3、4 可知：EFFG-based LSTM 測模型無論是在4 h 還是24 h 預測值的均方根誤差RMSE、準確率AR、合格率QR 相比于SVM 和LSTM 預測模型都是最優(yōu)的。其RMSE 雖然在24 h 時段預測時有所增大，但僅僅增大了0.65；在4 h 時段和24 h 時段的準確率、合格率都在90%以上。但是SVM 和LSTM 預測模型由4 h 時段到24 h時段的準確率、合格率都出現(xiàn)了顯著下降。特別是RMSE 分別增大了3.98 與2.47。表現(xiàn)較好的LSTM 預測模型準確率、合格率也僅能達到80%左右。因為隨著預測時段的增長，包含了更多的風電功率劇烈波動情況，而SVM 與標準LSTM模型都無法有效應對功率劇烈變化的時段的預測。對此問題EFFG-based LSTM 通過改進后的遺忘門得到比較有效的解決，所以無論在短時間段還是長時間段EFFG-based LSTM 預測模型各方面性能都優(yōu)于SVM 與標準LSTM 模型。

表3 各預測模型預測4 h 風電功率結果的評價指標Table 3 Evaluation indices of predicted results within 4 hours by different prediction models

表4 各預測模型預測24 h 風電功率結果的評價指標Table 4 Evaluation indices of predicted results within 24 hours by different prediction models

5 結論

本文提出的基于EFFG-based LSTM 風電功率實時預測方法。算例結果表明：

1)采用斯皮爾曼法計算分析不同氣象輸入 變量與風電功率之間的相關性以及各個歷史時刻風電功率序列間的自相關性，據(jù)此為預測模型輸入變量的篩選提供依據(jù)，進而構建了包含歷史實際功率和預測時刻NWP 的輸入時間序列、為后續(xù)的EFFG-based LSTM 輸入時間步長的確定提供依據(jù)，進而為EFFG-based LSTM 的訓練與預測設置合理的輸入時間步長。

2)有別于現(xiàn)有的僅利用歷史功率進行風電功率預測，本文方法在輸入特征上除了利用歷史功率外還計及了NWP 數(shù)據(jù)，即有效利用了多變量信息；其次NWP 數(shù)據(jù)的加入一定程度上可以使預測模型提高在氣象突變引起的風電功率突變時段的預測精度。

3)基于標準LSTM 建立的風電功率預測模型，由于其遺忘門的更新輸入會讓其有較大歷史慣性，導致在風電功率變化劇烈時段的預測精度大大下降。本文對標準LSTM 的遺忘門進行了改進，建立的EFFG-based LSTM 模型優(yōu)于LSTM 預測模型，特別是在風電功率變化劇烈時段的預測精度。

歷史實測氣象數(shù)據(jù)中包含了風電場局部性的氣象信息，如何把NWP 與實測氣象進行有效結合，以改善NWP 預報的精度從而提高風電功率實時預測精度是有待下一步研究的問題。