基于Bi-LSTM和改进残差学习的风电功率超短期预测方法

摘要

现有的方法在以风电功率时间序列拟合功率曲线时，难以表达风电功率数据所包含的趋势性和周期性等时间信息而出现性能退化问题，从而导致预测精度下降。为了解决性能退化问题从而提高风电功率时间序列预测的精度，提出了基于双向长短时记忆(Bi-LSTM)和改进残差学习的风电功率预测方法。方法由两个部分组成，第一部分是以Bi-LSTM为主的多残差块上，结合稠密残差块网络(DenseNet)与多级残差网络(MRN)的残差连接方式，并且在残差连接上使用一维卷积神经网络(1D CNN)来提取风电功率值中时序的非线性特征部分。第二部分是Bi-LSTM与全连接层(Dense)组成的解码器，将多残差块提取到的功率值时序非线性特征映射为预测结果。方法在实际运行的风电功率数据上进行实验，并与常见的残差网络方法和时间序列预测方法进行对比。方法相比于其他模型方法有着更高的预测精度以及更好的泛化能力。

关键词

深度学习 / 残差网络 / 风电功率预测 / 双向长短时记忆 / 一维卷积神经网络