【精彩论文】基于自适应权重的CNN-LSTM&GRU组合风电功率预测方法

观点凝练

摘要：准确预测风电功率可以提高电网运行的安全性和可靠性。为进一步提高短期风电功率预测精度，针对目前单一模型难以获得最优预测结果的问题，提出一种CNN-LSTM&GRU多模型组合短期风电功率预测方法。首先，利用卷积神经网络（convolutional neural network，CNN）提取数据局部特征，并结合长短期记忆（long short term memory，LSTM）网络构造出融合局部特征预提取模块的CNN-LSTM网络结构；然后，将其与门控循环单元（gated recurrent unit，GRU）网络并行，并通过自适应权重学习模块为CNN-LSTM模块和GRU模块的输出选择最佳权重，构建出CNN-LSTM&GRU组合的短期预测模型。最后，对中国西北某风电场的出力进行预测研究，结果表明：所提模型与单一模型或其他组合模型相比，指标误差更小，预测精度更高。
结论：针对电力系统对短期风电功率预测精度更高的要求，本文提出了一种基于自适应权重的CNN-LSTM&GRU多模型组合短期风电功率预测方法。预测结果表明，所提组合预测模型相较于Elman、XGBoost、LSTM、GRU单一预测模型，RMSE分别降低50.03%、20.29%、31.05%、17.50%；MAE分别降低52.76%、18.68%、32.38%、18.06%；决定系数R²分别提高了14.58%、2.46%、4.92%、2.02%。所提组合预测模型的主要特点如下。

（1）利用CNN网络对数据的局部特征进行提取，然后利用LSTM网络对时间序列进行学习预测，实现了对数据特征的深度挖掘。

（2）将CNN-LSTM网络与GRU网络同时用于预测，避免了单一预测模型预测难以获得最优结果的问题。

（3）自适应权重模块作为组合模型的一部分，在组合模型学习训练时为CNN-LSTM模块与GRU模块的输出寻找出最佳的权重，提高了组合模型的预测精度。

（4）解决了单一模型难以获得最优结果的问题，为提高短期风电功率预测精度提供了新的思路和方法。

引文信息

贾睿, 杨国华, 郑豪丰, 等. 基于自适应权重的CNN-LSTM&GRU组合风电功率预测方法[J]. 中国电力, 2022, 55(5): 47-56, 110.JIA Rui, YANG Guohua, ZHENG Haofeng, et al. Combined wind power prediction method based on CNN-LSTM&GRU with adaptive weights[J]. Electric Power, 2022, 55(5): 47-56, 110.

欢迎点击文后“阅读原文”跳转期刊官网，获取更多信息！

 往期回顾 

编辑：于静茹

校对：许晓艳

审核：方彤

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。