基于Bayes-LSTM网络的风电出力预测方法

摘要：

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 absolute shrinkage 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.

关键词：风电出力预测、深度学习、Bayes优化、特征提取

所属期刊栏目：51

分类号：TM614;TM75;TH17

资助基金：国家自然科学基金;国网湖北省电力公司科技项目

在线出版日期：2023-04-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：170-178