任國輝 姜力杭 韓祺 付盛文 繆廣荻

摘要：風(fēng)力發(fā)電本身具有隨機(jī)性和波動性，加上我國風(fēng)電資源的加速發(fā)展，使得風(fēng)電單機(jī)容量和并網(wǎng)型風(fēng)電場規(guī)模擴(kuò)大，給電力系統(tǒng)的安全性、穩(wěn)定性、經(jīng)濟(jì)性和可靠運(yùn)行帶來很大挑戰(zhàn)。利用發(fā)電輸出功率的預(yù)測結(jié)果，為實時經(jīng)濟(jì)調(diào)度提供可靠依據(jù)，是目前較為迫切的需求。本文提出了一種基于隨機(jī)森林算法和LSTM 模型相結(jié)合的深度學(xué)習(xí)算法用于短期風(fēng)電功率預(yù)測。通過對某發(fā)電廠數(shù)據(jù)的評估，采取了多項措施應(yīng)對可能的誤差源，包括隨機(jī)森林算法進(jìn)行特征篩選，處理空缺值和異常值。經(jīng)調(diào)試選擇最優(yōu)參數(shù)后，將隨機(jī)森林和高斯過程與LSTM 深度模型結(jié)合，導(dǎo)入數(shù)據(jù)進(jìn)行預(yù)測，并使用均方誤差函數(shù)計算預(yù)測誤差。將該模型應(yīng)用于實測數(shù)據(jù)驗證，結(jié)果表明，評估模型的均方誤差為0.009 831。

關(guān)鍵詞：短期風(fēng)電功率預(yù)測；隨機(jī)森林；深度學(xué)習(xí)；數(shù)據(jù)處理；LSTM

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2024）06-0018-03