基于Bayes-LSTM网络的风电出力预测方法

作者：陈峰; 余轶; 徐敬友; 杨洁; 陈可; 张天东; 郭露方; 郑子健; 胡钋

来源：电力系统保护与控制, 2023, 51(06): 170-178.

DOI：10.19783/j.cnki.pspc.220817

• 风电出力预测
• 深度学习
• Bayes优化
• 特征提取

为提高风电出力的预测精度，提出一种基于Bayes优化的长短期记忆人工神经网络(long-short term memory,LSTM)的预测模型。首先，利用经验模态分解对风电历史出力序列进行分解，并对各分量及原始数据分别提取8个统计特征量，与预测前6个时刻出力值共同组成预测特征集。然后，采用绳索算法(least absoluteshrinkage and selection operator, LASSO)从预测特征集中提取具有统计意义的特征子集，作为预测模型的输入。最后，提出基于Bayes超参数寻优的LSTM网络优化方法，以提高预测精度。选取湖北某市风电出力历史数据进行预测实验，结果表明：相较于BP神经网络、SVM、RBF网络、GRNN网络等预测模型，所提模型预测精度较高，特征提取方法较为合理。

• 出版日期2023
• 单位武汉大学; 自动化学院; 国网石家庄供电公司