摘要：隨著風(fēng)力發(fā)電的逐步普及，與風(fēng)電相關(guān)的智能預(yù)測(cè)平臺(tái)成為風(fēng)電行業(yè)必不可少的基礎(chǔ)配置。雖然大多數(shù)風(fēng)電場(chǎng)已經(jīng)開始進(jìn)行數(shù)字化轉(zhuǎn)型，但是在預(yù)測(cè)風(fēng)電短期功率上仍采用傳統(tǒng)的方法。傳統(tǒng)的預(yù)測(cè)方法往往需要投入大量的人力和物力且效率低下，不適合推廣應(yīng)用。文章設(shè)計(jì)了一套適合風(fēng)電機(jī)組的智能化預(yù)測(cè)平臺(tái)，對(duì)風(fēng)機(jī)監(jiān)控與采集平臺(tái)采集到的數(shù)據(jù)進(jìn)行分析與處理。一方面，在樣本充足的條件下，將風(fēng)電數(shù)據(jù)進(jìn)行異常值修正、風(fēng)電功率輸出模式識(shí)別和模型預(yù)測(cè)處理后，實(shí)現(xiàn)對(duì)風(fēng)電未來功率的綜合性預(yù)測(cè)分析；另一方面，針對(duì)小樣本的情形，從樣本的相似性和多樣性兩個(gè)方面擴(kuò)充風(fēng)電數(shù)據(jù)集，借助元學(xué)習(xí)框架，綜合多種風(fēng)電領(lǐng)域的先進(jìn)算法進(jìn)行風(fēng)電功率預(yù)測(cè)，并且通過開啟在線更新模塊即時(shí)更新預(yù)測(cè)模型的參數(shù)，從而保障預(yù)測(cè)模型的準(zhǔn)確性與可靠性。該設(shè)計(jì)可降低風(fēng)電場(chǎng)的運(yùn)營(yíng)和維護(hù)成本，為后續(xù)電力調(diào)度提供參考。

關(guān)鍵詞：風(fēng)力發(fā)電；智能預(yù)測(cè)平臺(tái)；數(shù)字化轉(zhuǎn)型；預(yù)測(cè)分析；元學(xué)習(xí)框架

中圖分類號(hào)：TM343" " " " 文獻(xiàn)標(biāo)識(shí)碼：A" " " 文章編號(hào)：1674-0688（2024）05-0074-04

0 引言

風(fēng)電功率預(yù)測(cè)是風(fēng)電場(chǎng)根據(jù)氣象條件、統(tǒng)計(jì)方法等技術(shù)，預(yù)先對(duì)未來一段時(shí)間內(nèi)風(fēng)電機(jī)組的有功功率進(jìn)行預(yù)報(bào)。風(fēng)電功率預(yù)測(cè)精度的提高可有效降低電力平臺(tái)調(diào)峰、調(diào)頻的壓力，增強(qiáng)電網(wǎng)的接納能力。因此，提升風(fēng)電功率預(yù)測(cè)的準(zhǔn)確性對(duì)于電網(wǎng)平臺(tái)的可靠性和穩(wěn)定性運(yùn)行有著重要意義。近年來，以數(shù)據(jù)驅(qū)動(dòng)為主的功率預(yù)測(cè)方法逐漸成為學(xué)者和專業(yè)人士的研究熱點(diǎn)。由于風(fēng)電序列中存在的波動(dòng)性和不穩(wěn)定性因素會(huì)在較大程度上影響功率預(yù)測(cè)的精度，因此許多研究將原始風(fēng)電序列分解為多個(gè)子序列，然后分別對(duì)每個(gè)子序列進(jìn)行預(yù)測(cè)，最后合并各子序列的預(yù)測(cè)結(jié)果。YANG等［1］結(jié)合應(yīng)用自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解（CEEMDAN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、注意力機(jī)制（AM）和雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（BiLSTM），利用CEEMDAN將功率序列分解為多個(gè)子序列，通過CNN算法提取重構(gòu)分量的特征，再將每個(gè)重構(gòu)組件的多維特征數(shù)據(jù)輸入BiLSTM網(wǎng)絡(luò)，并且結(jié)合注意力機(jī)制提取時(shí)間特征，構(gòu)建預(yù)測(cè)模型。YE等［2］基于變分模態(tài)分解（VMD）、快速傅里葉變換和隨機(jī)森林算法建立預(yù)測(cè)模型，通過趨勢(shì)相似的歷史數(shù)據(jù)匹配策略提高預(yù)測(cè)精度。然而，CEEMDAN、VMD等分解算法引入的白噪聲仍來自人工經(jīng)驗(yàn)，因此可能會(huì)導(dǎo)致模式混疊，影響序列分解過程的準(zhǔn)確性，從而降低功率的預(yù)測(cè)精度。上述文獻(xiàn)中，一維卷積（1D-CNN）和注意力機(jī)制在特征提取中的應(yīng)用廣泛，可在不同尺度下自適應(yīng)地分配不同特征的重要性程度。因此，本文引入多尺度機(jī)制并結(jié)合注意力模型，深入挖掘不同尺度下的風(fēng)電特征，從而提高模型在不同風(fēng)況下的魯棒性。

此外，在風(fēng)電場(chǎng)新建初期，風(fēng)電機(jī)組通常處于小樣本條件，歷史訓(xùn)練樣本匱乏，難以進(jìn)行基于數(shù)據(jù)驅(qū)動(dòng)的功率預(yù)測(cè)，因此需要考慮對(duì)目標(biāo)風(fēng)機(jī)進(jìn)行數(shù)據(jù)擴(kuò)充，以提高訓(xùn)練樣本的質(zhì)量，而基于生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）的數(shù)據(jù)增強(qiáng)方法在這方面具有優(yōu)勢(shì)。自GOODFELLOW等［3］提出深度生成模型以來，由于GAN生成高質(zhì)量數(shù)據(jù)的能力較為突出，所以它在計(jì)算機(jī)視覺、自然語言處理和時(shí)間序列領(lǐng)域得到廣泛的應(yīng)用。MENG等［4］提出一種新的深度學(xué)習(xí)預(yù)測(cè)模型多梯度進(jìn)化訓(xùn)練框架，結(jié)合時(shí)間序列生成對(duì)抗網(wǎng)絡(luò)和多變量變分模態(tài)分解方法，動(dòng)態(tài)捕獲與功率輸出相關(guān)的風(fēng)電特征，生成高質(zhì)量樣本；同時(shí)，整合3種不同的梯度下降方法，自適應(yīng)更新參數(shù)，幫助模型跳出局部最優(yōu)，增強(qiáng)模型的泛化能力。TANG等［5］提出一種基于RAC（實(shí)時(shí)應(yīng)用集群）-GAN的風(fēng)電場(chǎng)新輸出情景生成方法，利用皮爾遜相關(guān)系數(shù)和灰色關(guān)系分析篩選與功率輸出最相關(guān)的氣象因子，再通過K-means聚類算法對(duì)源電站的氣象數(shù)據(jù)進(jìn)行聚類，將聚類結(jié)果作為RAC-GAN模型的標(biāo)簽，源電站的輸出數(shù)據(jù)作為基礎(chǔ)，生成目標(biāo)電站的場(chǎng)景，解決了新建風(fēng)電場(chǎng)出力歷史數(shù)據(jù)不足的問題。以上針對(duì)現(xiàn)有GAN網(wǎng)絡(luò)的改進(jìn)，雖然在網(wǎng)絡(luò)結(jié)構(gòu)和度量損失函數(shù)方面有所成效，但是在風(fēng)電功率預(yù)測(cè)的實(shí)驗(yàn)中，仍存在梯度消失、訓(xùn)練不穩(wěn)定與模式崩潰等問題。因此，本文提出一種多重進(jìn)化GANs的數(shù)據(jù)增強(qiáng)算法，在保證訓(xùn)練穩(wěn)定性的同時(shí)，盡量在生成樣本的相似性和多樣性方面找到平衡，提高訓(xùn)練數(shù)據(jù)集的質(zhì)量。

本研究設(shè)計(jì)了一款基于深度學(xué)習(xí)的風(fēng)電功率短期預(yù)測(cè)平臺(tái)。該平臺(tái)通過數(shù)據(jù)預(yù)處理模塊識(shí)別并修正風(fēng)電異常數(shù)據(jù)，然后將功能分為充足樣本的短期功率預(yù)測(cè)和小樣本情形下的短期功率預(yù)測(cè)兩個(gè)部分，從而實(shí)現(xiàn)對(duì)目標(biāo)風(fēng)機(jī)未來輸出功率的準(zhǔn)確預(yù)測(cè)，保障電力調(diào)度平臺(tái)的安全性和穩(wěn)定性。

1 平臺(tái)設(shè)計(jì)

1.1 平臺(tái)開發(fā)環(huán)境

基于深度學(xué)習(xí)的風(fēng)電功率短期預(yù)測(cè)平臺(tái)設(shè)計(jì)開發(fā)需要的軟件和硬件環(huán)境如下。

（1）平臺(tái)的軟件環(huán)境。本平臺(tái)的開發(fā)環(huán)境是Windows10操作平臺(tái)，集成開發(fā)環(huán)境選用PyCharm Community Edition 2021.3.1；深度學(xué)習(xí)服務(wù)器的軟件環(huán)境為Ubuntu 20.04、Python3.8、Pytorch 1.13.0+cu116。

（2）平臺(tái)的硬件環(huán)境。平臺(tái)的硬件主要由一臺(tái)上位機(jī)和一臺(tái)高性能GPU（圖形處理器）服務(wù)器組成。上位機(jī)負(fù)責(zé)前期的數(shù)據(jù)處理過程以及后期的測(cè)試和調(diào)試過程，其硬件配置為Inter（R） Core（TM） i7-6700HQ CPU@2.60 GHz、NVIDA GeForce GTX 950M、16 GB內(nèi)存、1TB硬盤存儲(chǔ)；高性能GPU服務(wù)器安裝了Pytorch或Tensorflow框架、CUDA（Compute Unified Device Architecture）、cuDNN（深度神經(jīng)網(wǎng)絡(luò)庫）等必要的軟件和庫，負(fù)責(zé)支持深度學(xué)習(xí)模型的訓(xùn)練和推理，提高深度學(xué)習(xí)任務(wù)的效率和性能，其硬件配置為12th Gen Intel（R） Core（TM） i5-12490F、NVIDA GeForce GTX 3060Ti、32 GB內(nèi)存、4 TB硬盤存儲(chǔ)。

1.2 平臺(tái)功能設(shè)計(jì)

基于深度學(xué)習(xí)的風(fēng)電功率短期預(yù)測(cè)平臺(tái)的總體架構(gòu)包括數(shù)據(jù)處理層、核心業(yè)務(wù)層、可視化層（詳見圖1）。

（1）數(shù)據(jù)處理層。該層的作用是在取得原始風(fēng)電數(shù)據(jù)后將數(shù)據(jù)經(jīng)滑動(dòng)窗口進(jìn)行劃分，然后將按照比例劃分好的訓(xùn)練集、測(cè)試集和驗(yàn)證集進(jìn)行歸一化處理。此外，對(duì)風(fēng)電異常數(shù)據(jù)進(jìn)行處理并修正，滿足后續(xù)層級(jí)對(duì)數(shù)據(jù)的需求。

（2）核心業(yè)務(wù)層。該層的作用是實(shí)現(xiàn)平臺(tái)的核心業(yè)務(wù)，實(shí)現(xiàn)的方式主要分為兩種情況：一是當(dāng)風(fēng)電機(jī)組歷史數(shù)據(jù)量充足時(shí)，平臺(tái)將通過調(diào)用相應(yīng)的預(yù)測(cè)模型進(jìn)行預(yù)測(cè)；二是當(dāng)風(fēng)電機(jī)組無可遷移的源風(fēng)機(jī)且歷史數(shù)據(jù)匱乏時(shí)，平臺(tái)可由上層選用數(shù)據(jù)增強(qiáng)功能生成風(fēng)電數(shù)據(jù)，并將擴(kuò)充后的數(shù)據(jù)集送入預(yù)測(cè)模型，再由模型將結(jié)果返回給上層。

（3）可視化層。該層的作用是將數(shù)據(jù)以圖形、圖表等形式呈現(xiàn)，以便能快速、直觀地了解平臺(tái)的狀態(tài)和運(yùn)行情況。通過可視化層，可實(shí)時(shí)監(jiān)控風(fēng)電機(jī)組的運(yùn)行狀態(tài)和相關(guān)指標(biāo)。

2 平臺(tái)實(shí)現(xiàn)

2.1 數(shù)據(jù)遠(yuǎn)程監(jiān)測(cè)系統(tǒng)

數(shù)據(jù)遠(yuǎn)程監(jiān)測(cè)系統(tǒng)主要包括異常數(shù)據(jù)的監(jiān)測(cè)與識(shí)別、異常數(shù)據(jù)修正、數(shù)據(jù)上云等功能，一套數(shù)據(jù)預(yù)處理系統(tǒng)可以接入多個(gè)風(fēng)機(jī)的數(shù)據(jù)，以便于風(fēng)電場(chǎng)的管理。

在識(shí)別并修復(fù)風(fēng)電異常數(shù)據(jù)方面，本文提出的系統(tǒng)充分考慮了風(fēng)電機(jī)組的實(shí)際運(yùn)行特性和異常風(fēng)電數(shù)據(jù)的形態(tài)，即在功率曲線散點(diǎn)圖中異常數(shù)據(jù)分布不均、堆積密集且與正常數(shù)據(jù)混合緊密。數(shù)據(jù)預(yù)處理系統(tǒng)采用雙向單邊四分位法、雙DBSCAN法（基于密度的聚類算法）和改進(jìn)的K-means聚類算法識(shí)別異常數(shù)據(jù)，同時(shí)采用輕量級(jí)梯度提升機(jī)模型和極限梯度提升回歸模型對(duì)所識(shí)別的異常數(shù)據(jù)進(jìn)行修復(fù)操作，異常值修正前后的風(fēng)電數(shù)據(jù)見圖2。本系統(tǒng)設(shè)計(jì)的方法根據(jù)風(fēng)電機(jī)組異常數(shù)據(jù)的形態(tài)進(jìn)行自動(dòng)調(diào)節(jié)，可以對(duì)異常數(shù)據(jù)進(jìn)行精準(zhǔn)識(shí)別并修復(fù)，并且該方法的普適性較強(qiáng)。

在數(shù)據(jù)上云方面，本系統(tǒng)借助在風(fēng)機(jī)上的各種智能傳感器，利用無線傳輸技術(shù)、大規(guī)模數(shù)據(jù)處理技術(shù)及遠(yuǎn)程控制等物聯(lián)網(wǎng)技術(shù)，融合開發(fā)出一套數(shù)據(jù)上云模塊。應(yīng)用該模塊，用戶及風(fēng)電場(chǎng)管理人員可以通過電腦、平板等終端設(shè)備實(shí)時(shí)掌握各風(fēng)電機(jī)組的運(yùn)行狀態(tài)，也能對(duì)重要設(shè)備下發(fā)指令，實(shí)現(xiàn)遠(yuǎn)程控制。

2.2 樣本充足條件下的功率預(yù)測(cè)模塊

將所有風(fēng)電數(shù)據(jù)上傳云端后，數(shù)據(jù)將被保存至高性能服務(wù)器中進(jìn)行計(jì)算。首先對(duì)風(fēng)電數(shù)據(jù)進(jìn)行清洗、標(biāo)注、特征提取、時(shí)頻域分析，在此過程中，用戶可以直觀地發(fā)現(xiàn)各風(fēng)電機(jī)組內(nèi)部特性的差異，便于后續(xù)預(yù)測(cè)模型挑選有效特征，從而提高預(yù)測(cè)的準(zhǔn)確性。其次通過對(duì)風(fēng)電數(shù)據(jù)進(jìn)行模式識(shí)別和對(duì)預(yù)測(cè)模型進(jìn)行優(yōu)化，實(shí)現(xiàn)對(duì)風(fēng)電未來功率的綜合性預(yù)測(cè)分析。

由于風(fēng)電功率序列存在非平穩(wěn)性的特點(diǎn)，采用直接對(duì)其進(jìn)行建模的方式無法得到準(zhǔn)確的預(yù)測(cè)值，因此可以利用時(shí)頻域分析方法對(duì)數(shù)據(jù)特征進(jìn)行挖掘，提取不同的頻率和幅值信息。常見的時(shí)頻信號(hào)提取方法有小波分解（Wavelet Decomposition，WD）［6］、經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）［7］、集合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）［8］等。本模塊采用離散小波變換（Discrete Wavelet Transform，DWT）對(duì)原始功率序列進(jìn)行分解，離散小波變換分解過程所得的近似分量和細(xì)節(jié)分量見圖3。

在風(fēng)電功率輸出模式識(shí)別和優(yōu)化預(yù)測(cè)模型方面，首先借助K-means或DBSCAN等多種聚類模型，以歐式距離或動(dòng)態(tài)規(guī)整距離為相似性指標(biāo)，實(shí)現(xiàn)風(fēng)電輸出功率序列的粗粒度聚類；在此基礎(chǔ)上，計(jì)算預(yù)測(cè)視界范圍內(nèi)的反映功率序列波動(dòng)的劇烈程度、反映功率波動(dòng)的趨勢(shì)性、波動(dòng)周期中極大值持續(xù)時(shí)間的比率、波動(dòng)周期中極小值持續(xù)時(shí)間的比率、波動(dòng)周期中極值點(diǎn)持續(xù)時(shí)間的比率5種波動(dòng)特征指標(biāo)。其次使用自組織聚類神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)細(xì)粒度聚類，為每條功率序列打上標(biāo)簽后一并送入分類網(wǎng)絡(luò)進(jìn)行風(fēng)電模式的訓(xùn)練。最后在預(yù)測(cè)階段，將本模塊與多尺度機(jī)制和注意力機(jī)制優(yōu)化預(yù)測(cè)模型結(jié)合，提高預(yù)測(cè)精度。

2.3 小樣本條件下的功率預(yù)測(cè)模塊

當(dāng)新建風(fēng)機(jī)的歷史數(shù)據(jù)有限時(shí)，用戶可切換小樣本的功率預(yù)測(cè)模式，利用少數(shù)過采樣技術(shù)（SMOTE）、隨機(jī)過采樣技術(shù)（RO）或GAN及其變體等多種數(shù)據(jù)增強(qiáng)方式對(duì)清洗后的風(fēng)電數(shù)據(jù)進(jìn)行數(shù)據(jù)擴(kuò)充。小樣本條件下的功率預(yù)測(cè)模塊提供累積分布函數(shù)（CDF）、歐幾里德距離（EDD）、最大平均差異（MMD）等多種評(píng)估生成風(fēng)電數(shù)據(jù)的相關(guān)指標(biāo)，還可將生成樣本分布和真實(shí)樣本分布經(jīng)t-SNE（t-分布領(lǐng)域嵌入）算法或PCA（主成分分析）算法降維后可視化地呈現(xiàn)在二維平面上，供用戶直觀地選擇適合自身數(shù)據(jù)的數(shù)據(jù)增強(qiáng)方式。

在預(yù)測(cè)功率時(shí)，進(jìn)行元學(xué)習(xí)離線階段的訓(xùn)練，將數(shù)據(jù)集分為訓(xùn)練期和測(cè)試期。訓(xùn)練期擬合所有的候選預(yù)測(cè)模型，在測(cè)試期評(píng)估每段時(shí)間序列在每個(gè)候選預(yù)測(cè)模型上的預(yù)測(cè)誤差，獲取該段時(shí)間序列特征以及對(duì)應(yīng)預(yù)測(cè)精度最高的候選模型的序號(hào)作為其標(biāo)簽，最后組成元學(xué)習(xí)數(shù)據(jù)集，一并送入分類模型進(jìn)行元學(xué)習(xí)的訓(xùn)練。

在進(jìn)行實(shí)時(shí)風(fēng)電預(yù)測(cè)時(shí)，新的風(fēng)電數(shù)據(jù)到來后，先計(jì)算該時(shí)間序列相關(guān)的時(shí)序特征，然后經(jīng)分類模型獲取當(dāng)前時(shí)序數(shù)據(jù)的最佳預(yù)測(cè)模型并完成最后的預(yù)測(cè)。風(fēng)電功率提前1 h的預(yù)測(cè)結(jié)果見圖4。

3 結(jié)語

風(fēng)力發(fā)電容易受到風(fēng)速、氣壓及溫差等環(huán)境因素的影響，呈現(xiàn)出較強(qiáng)的隨機(jī)性和波動(dòng)性，對(duì)電力系統(tǒng)的穩(wěn)定性造成較大的沖擊，因此提高風(fēng)電功率預(yù)測(cè)的準(zhǔn)確性對(duì)電力行業(yè)具有重要的意義。本文針對(duì)風(fēng)電功率預(yù)測(cè)精度低、預(yù)測(cè)穩(wěn)定性差等問題，開發(fā)了一個(gè)基于深度學(xué)習(xí)的風(fēng)電功率短期預(yù)測(cè)平臺(tái)。基于樣本充足和小樣本2種不同的模式，先后建立數(shù)據(jù)監(jiān)測(cè)系統(tǒng)、樣本充足的功率預(yù)測(cè)模塊、小樣本的功率預(yù)測(cè)模塊和數(shù)據(jù)可視化4層平臺(tái)架構(gòu)，實(shí)現(xiàn)了對(duì)風(fēng)電機(jī)組未來輸出功率的準(zhǔn)確預(yù)測(cè)，從而持續(xù)保障電網(wǎng)系統(tǒng)正常的運(yùn)行和調(diào)度。目前，鑒于復(fù)雜的地形和風(fēng)況條件，風(fēng)電功率預(yù)測(cè)依然面臨許多新的挑戰(zhàn)，如風(fēng)電功率預(yù)測(cè)流程的透明度不夠、預(yù)測(cè)結(jié)果的可解釋性較差、模型在實(shí)際應(yīng)用中預(yù)測(cè)精度低等，這些限制風(fēng)電功率預(yù)測(cè)技術(shù)發(fā)展的瓶頸需要突破。

4 參考文獻(xiàn)

［1］YANG M，GUO Y F，HUANG Y T.Wind Power Ultra-Short-Term Prediction Method Based on Nwp Wind Speed Correction and Double Clustering Division of Transitional Weather Process［J］.Nergy，2023，282：128947.

［2］YE L，LI Y L，PEI M，et al.A novel integrated method for short-term wind power forecasting based on fluctuation clustering and history matching［J］.Applied Energy，2022，327：120131.

［3］GOODFELLOW I，POUGET-A J，MIRZA M，et al.Generative adversarial nets［J］.Advances in Neural Information Processing Systems，2014，27：2672-2680.

［4］MENG A，ZHANG H T，YIN H，et al.A novel multi-gradient evolutionary deep learning approach for few-shot wind power prediction using time-series GAN［J］.Energy，2023，283：129139.

［5］TANG J，LIU J F，WU J H，et al.Rac-gan-based scenario generation for newly built wind farm［J］.Energies，2023，16（5）：2447.

［6］LIU B C，ZHAO S J，YU X G，et al.A novel deep learning approach for wind power forecasting based on WD-LSTM model［J］.Energies，2020，13（18）：4964.

［7］WANG J J ，ZHANG W Y ，LI Y N，et al.Forecasting wind speed using empirical mode decomposition and elman neural network［J］.Applied Soft Computing Journal，2014，23：452-459.

［8］NEERAJ B，ANDRéS F，NADHIR A，et al.The hybridization of ensemble empirical mode decomposition with forecasting models：application of short-term wind speed and power modeling［J］.Energies，2020，13（7）：1666.

*湖南省自然科學(xué)基金項(xiàng)目“基于可信聯(lián)邦學(xué)習(xí)的大型工業(yè)裝備故障診斷方法研究”（2024JJ7091）；國(guó)家級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目“基于深度學(xué)習(xí)的風(fēng)/光耦合發(fā)電功率預(yù)測(cè)平臺(tái)”（S202312034013）。

【作者簡(jiǎn)介】周峻，男，湖南邵東人，在讀碩士研究生，研究方向：風(fēng)電功率預(yù)測(cè)；徐軻，男，江蘇鹽城人，在讀碩士研究生，研究方向：風(fēng)電功率預(yù)測(cè)；李睿（通信作者），男，湖南郴州人，在讀碩士研究生，研究方向：計(jì)算機(jī)視覺；劉海波，男，湖南邵東人，在讀碩士研究生，研究方向：計(jì)算機(jī)故障診斷；周文健，男，湖南衡陽人，在讀本科生；姜玉璇，女，河北石家莊人，在讀本科生。

【引用本文】周峻，徐軻，李睿，等.基于深度學(xué)習(xí)的風(fēng)電功率短期預(yù)測(cè)平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)［J］.企業(yè)科技與發(fā)展，2024（5）：74-77.