基于CNN-LSTM-lightGBM组合的超短期风电功率预测方法

摘要：

近年来,风电装机规模逐年增加,风电数据采集量呈现规模化增长,面对海量多维、强波动的风电数据,风电功率预测精度仍面临一定的挑战.为提高风电功率预测精度,提出了基于卷积神经网络(convolutional neural networks,CNN)-长短期记忆网络(long short-term memory,LSTM)和梯度提升学习(light gradient boosting machine,lightGBM)组合的超短期风电功率预测方法.首先,分别建立CNN-LSTM和lightGBM的风电功率超短期预测模型.其中,CNN-LSTM模型采用CNN对风电数据集进行特征处理,并将其作为LSTM模型的数据输入,从而建立CNN-LSTM融合的预测模型;然后,采用误差倒数法对CNN-LSTM和lightGBM的预测数据进行加权组合,建立CNN-LSTM-lightGBM组合的预测模型;最后,采用张北曹碾沟风电场的风电数据集,以未来4h风电功率为预测目标,验证了组合模型的有效性.预测结果表明:相较于其他3种单一模型,组合模型具有更高的预测精度.

关键词：卷积神经网络(CNN)、长短期记忆网络(LSTM)、梯度提升学习(lightGBM)、组合模型、风电功率预测

所属期刊栏目：22

分类号：TM614(发电、发电厂)

资助基金：中央高校基本科研业务费专项基金;国家电网公司科技项目

在线出版日期：2023-02-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：16067-16074