基于長短時記憶網(wǎng)絡(luò)和輕梯度增強(qiáng)機(jī)的風(fēng)電功率多步預(yù)測

李振海，李鈺炎，易志高，蘇盛

(1.大唐華銀(湖南)新能源有限公司，湖南 長沙 422000；2.智能電網(wǎng)運(yùn)行與控制湖南省重點(diǎn)實驗室，湖南 長沙 410114； 3.長沙理工大學(xué)，湖南 長沙 410114)

0 引言

近年來，隨著全球經(jīng)濟(jì)的蓬勃發(fā)展和人民生活水平的提升，人們對電力生產(chǎn)的需求不斷增加。然而，傳統(tǒng)的電力生產(chǎn)方式主要依賴于提取的化石燃料，如煤炭、石油和天然氣等，帶來了全球變暖等環(huán)境問題。此外，因化石燃料的有限性和不可再生性，過度開采可能導(dǎo)致能源資源的枯竭。因此，尋找清潔替代品已成為當(dāng)務(wù)之急。其中，風(fēng)能作為一種重要而有價值的資源，具備可持續(xù)生產(chǎn)的潛力。與傳統(tǒng)發(fā)電方式相比，風(fēng)力發(fā)電具有諸多優(yōu)勢[1-2]。全球范圍內(nèi)對風(fēng)力發(fā)電的關(guān)注不斷增加，人們認(rèn)識到其潛力和可持續(xù)性。為了更好地利用風(fēng)能資源，不斷改進(jìn)和創(chuàng)新風(fēng)力發(fā)電技術(shù)變得至關(guān)重要。各國紛紛投入資金和資源，加強(qiáng)風(fēng)力發(fā)電技術(shù)的研發(fā)和應(yīng)用，以推動清潔能源的轉(zhuǎn)型和可持續(xù)發(fā)展。

風(fēng)力發(fā)電是受風(fēng)力影響較大的能源形式，而風(fēng)具有強(qiáng)烈的隨機(jī)性、波動性和間歇性的特性，這給風(fēng)力發(fā)電接入電網(wǎng)帶來了挑戰(zhàn)[3]。由于風(fēng)力的不可控性，風(fēng)力發(fā)電機(jī)組的輸出功率會不斷變化，這對電網(wǎng)的穩(wěn)定性和平衡性造成了較大的沖擊[4]。準(zhǔn)確的風(fēng)電預(yù)測可以幫助電力公司和調(diào)度員預(yù)測未來的風(fēng)力功率，從而優(yōu)化電力系統(tǒng)的運(yùn)行，確保電力供需平衡。準(zhǔn)確的預(yù)測結(jié)果還有利于制定合理的發(fā)電計劃、電力輸送和儲存策略，提高電力系統(tǒng)的效率和穩(wěn)定性[5-6]。

大部分風(fēng)電功率預(yù)測是利用歷史輸出和數(shù)值天氣預(yù)報數(shù)據(jù)，運(yùn)用學(xué)習(xí)方法進(jìn)行可靠的短期和長期預(yù)測。近年來風(fēng)電功率預(yù)測所屬的時間序列預(yù)測問題在方法上有了很大的進(jìn)步，早期的研究集中在線性統(tǒng)計模型。其中，李麗等人[7]使用平均滑動方法對經(jīng)小波變換分解出的低頻和高頻功率成分進(jìn)行重構(gòu)，LIU等人[8]采用差分整合移動平均自回歸模型對非線性數(shù)據(jù)進(jìn)行平穩(wěn)化。然而，這些方法在構(gòu)造高度非線性數(shù)據(jù)的最佳結(jié)構(gòu)參數(shù)方面存在一定困難。隨著特征變量的可用性增加，越來越多的人開始使用機(jī)器學(xué)習(xí)模型，如隨機(jī)森林[9]、支持向量機(jī)[10]和極端梯度增強(qiáng)[11]，這些模型因在特征處理方面的有效性而受到歡迎。深度學(xué)習(xí)模型具有更強(qiáng)大的學(xué)習(xí)能力和表達(dá)能力，能夠?qū)W習(xí)到更復(fù)雜的模式和抽象概念。WANG等人[12]通過經(jīng)驗?zāi)B(tài)分解將原始數(shù)據(jù)分解成不同頻率信號，并使用神經(jīng)網(wǎng)絡(luò)對每個頻率特征進(jìn)行綜合，得到最終的功率曲線。HARBOLA等人[13]則提出了兩個一維卷積神經(jīng)網(wǎng)絡(luò)，用于預(yù)測時間風(fēng)電數(shù)據(jù)集中的主導(dǎo)風(fēng)速和風(fēng)向。此外，HAN等人[14]在長短時記憶網(wǎng)絡(luò)(long short term memory，LSTM)的記憶單元中引入了一個參數(shù)，用于抑制長期記憶中的隨機(jī)成分，從而增強(qiáng)對風(fēng)電實際模式的學(xué)習(xí)，并避免過度擬合。近年來，組合模型在風(fēng)電功率預(yù)測中變得熱門，不同算法的特點(diǎn)被結(jié)合利用，提高了預(yù)測模型的魯棒性。張紅濤等人[15]采用模糊聚類分析篩選出與預(yù)測日相關(guān)性較大的歷史相似日，并建立樽海鞘群算法優(yōu)化極限學(xué)習(xí)機(jī)的超短期風(fēng)功率預(yù)測模型。劉大貴等人[16]利用熵值法對單一預(yù)測模型進(jìn)行權(quán)重組合預(yù)測，再借鑒馬爾科夫鏈方法對熵值法組合預(yù)測結(jié)果進(jìn)行修正，得出未來一年的可用電量預(yù)測值。

LSTM在處理時間序列預(yù)測問題上具有明顯的優(yōu)勢，并且可以通過結(jié)合其他模型來改善預(yù)測效果。本論文旨在構(gòu)建一種組合模型，結(jié)合LSTM和輕梯度增強(qiáng)機(jī)(light gradient boosting machine，LGBM)模型，用于對風(fēng)電功率進(jìn)行多步預(yù)測。同時，采用網(wǎng)格搜索法對各模型的參數(shù)進(jìn)行優(yōu)化，以最大程度地提升預(yù)測精度。

1 模型原理

風(fēng)電場數(shù)據(jù)集的詳細(xì)信息包括風(fēng)電功率輸出的分布及一般數(shù)據(jù)特征，如風(fēng)速、風(fēng)向、氣溫、氣壓、濕度等數(shù)據(jù)，數(shù)據(jù)維度高，特征波動性強(qiáng)。循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks，RNN)和LSTM已被廣泛應(yīng)用于時間序列建模?？梢越柚鶯STM算法的特征提取能力對輸入數(shù)據(jù)進(jìn)行特征提取，然后將提取的特征輸入到LGBM以建立新的組合預(yù)測模型。

1.1 長短時記憶網(wǎng)絡(luò)

LSTM是RNN的變體，具有強(qiáng)大的記憶和建模能力，特別適用于處理長序列數(shù)據(jù)和捕捉序列中的長期依賴關(guān)系。能夠在時間序列數(shù)據(jù)中增量地處理給定的信息，同時根據(jù)過去的信息完善正在處理的內(nèi)容[17-19]，并在接收到新信息時不斷更新狀態(tài)，建立層內(nèi)之間的權(quán)重聯(lián)系。

LSTM的基本單元是一個帶有門控機(jī)制的循環(huán)單元，由一個細(xì)胞狀態(tài)(cell state)和三個門組成：遺忘門(forget gate)、輸入門(input gate)和輸出門(output gate)。這些門的目的是控制信息的流動和更新，從而有效地處理序列數(shù)據(jù)。圖1為基本的長短時記憶網(wǎng)絡(luò)結(jié)構(gòu)。具體功能如下：

ft=σ(Wf(ht-1，xt)+bf)

(1)

遺忘門決定了在當(dāng)前時間步是否忘記之前的細(xì)胞狀態(tài)中的信息，根據(jù)當(dāng)前時間步的輸入和前一個時間步的隱藏狀態(tài)來生成一個介于0和1之間的遺忘向量，用于對細(xì)胞狀態(tài)進(jìn)行元素級別的遺忘操作。

it=σ(Wi(ht-1，xt)+bi)

(2)

(3)

輸入門決定了當(dāng)前時間步的輸入中哪些信息將被添加到細(xì)胞狀態(tài)中，由當(dāng)前時間步的輸入和前一個時間步的隱藏狀態(tài)共同決定。輸入門生成一個介于0和1之間的輸入向量，用于對當(dāng)前時間步的輸入進(jìn)行元素級別的篩選和更新[20]。

圖1 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

(4)

ot=σ(Wo(ht-1，xt)+bo)

(5)

ht=ottanhCt

(6)

輸出門決定了在當(dāng)前時間步將細(xì)胞狀態(tài)中的哪些信息輸出到隱藏狀態(tài)中。輸出門由當(dāng)前時間步的輸入和前一個時間步的隱藏狀態(tài)共同決定。輸出門生成一個介于0和1之間的輸出向量，用于對細(xì)胞狀態(tài)進(jìn)行元素級別的篩選和輸出。

1.2 LGBM預(yù)測模型

LGBM是一種高效的梯度提升決策樹框架，專注于處理大規(guī)模數(shù)據(jù)和高維特征，以提供快速的訓(xùn)練和高質(zhì)量的預(yù)測。LGBM采用基于梯度的學(xué)習(xí)算法，通過迭代地訓(xùn)練多個決策樹模型來不斷提升預(yù)測的準(zhǔn)確性。相較于傳統(tǒng)的梯度提升決策樹算法，LGBM引入互斥特征捆綁和直方圖算法，以加快訓(xùn)練速度和降低內(nèi)存消耗。LGBM還具有良好的可擴(kuò)展性和并行化能力，能夠利用多核處理器和分布式計算資源進(jìn)行高效訓(xùn)練和預(yù)測。此外，LGBM提供了豐富的參數(shù)調(diào)整選項，使用戶可以根據(jù)不同的數(shù)據(jù)集和問題進(jìn)行靈活配置，以獲得最佳的預(yù)測性能。

互斥特征捆綁用于處理高維稀疏特征[21]。在傳統(tǒng)的梯度提升決策樹算法中，每個特征都被視為一個獨(dú)立的特征列，會占用大量的內(nèi)存和計算資源。而互斥特征捆綁將相關(guān)性較高的特征進(jìn)行捆綁，形成一個新的特征列，從而減少特征的數(shù)量，提高計算效率。這種捆綁技術(shù)基于特征之間的互斥性，即同一樣本中只能選擇一個特征進(jìn)行使用。通過互斥特征捆綁，LGBM能夠更有效地處理高維稀疏特征，提升模型訓(xùn)練和預(yù)測的速度。

直方圖算法是LGBM用于構(gòu)建決策樹的一種優(yōu)化技術(shù)。傳統(tǒng)的梯度提升決策樹算法通常需要對特征進(jìn)行排序，以便在每個節(jié)點(diǎn)上選擇最佳的切分點(diǎn)[22]。這個排序操作在高維數(shù)據(jù)上的計算成本很高，而直方圖算法將特征進(jìn)行離散化處理，并構(gòu)建直方圖來近似表示特征的分布情況，具體功能如圖2所示。通過對直方圖進(jìn)行更新和搜索，LGBM可以快速選擇最佳的切分點(diǎn)，從而減少排序操作的開銷[23-24]，大大加快了模型的訓(xùn)練速度。

圖2 直方圖累計算法的過程

2 預(yù)測模型

2.1 特征提取

在風(fēng)電功率預(yù)測任務(wù)中，除了風(fēng)電功率，數(shù)據(jù)集中還包含了其他相關(guān)參量。不同的特征對于預(yù)測模型的影響程度可能不同，因此需要對特征進(jìn)行篩選，保留那些與預(yù)測目標(biāo)密切相關(guān)的特征，同時剔除與目標(biāo)關(guān)聯(lián)性較低的特征，以提高預(yù)測模型的準(zhǔn)確度。本文利用Pearson相關(guān)系數(shù)來評估特征與風(fēng)電功率之間的關(guān)聯(lián)程度。具體計算公式為：

(7)

式中：Cov為協(xié)方差；σ為標(biāo)準(zhǔn)差。數(shù)據(jù)間的相關(guān)程度由K的絕對值反映，絕對值越大表示數(shù)據(jù)X與Y間的相關(guān)程度越高[25-26]。

根據(jù)表1中的結(jié)果，風(fēng)速、風(fēng)向和氣溫與風(fēng)電功率之間存在較強(qiáng)的相關(guān)性，而其他特征的相關(guān)性較小，因此選擇將風(fēng)速、風(fēng)向和氣溫作為氣象數(shù)據(jù)的重要特征。

表1 特征變量皮爾遜相關(guān)系數(shù)表

標(biāo)準(zhǔn)化可以消除不同特征之間的量綱差異，使得數(shù)據(jù)在同一尺度上進(jìn)行比較和分析。標(biāo)準(zhǔn)化可以使得數(shù)據(jù)的分布更接近于標(biāo)準(zhǔn)正態(tài)分布，有利于一些機(jī)器學(xué)習(xí)算法的收斂速度和穩(wěn)定性，尤其是對于使用基于梯度的優(yōu)化算法(如梯度下降)的模型。具體如下：

(8)

式中：Xi為標(biāo)準(zhǔn)化處理后的數(shù)據(jù)；X為原始數(shù)據(jù)；μ、D分別對應(yīng)原始數(shù)據(jù)集上的均值和方差。

2.2 模型結(jié)構(gòu)

通過堆疊多個LSTM可以提取時間序列數(shù)據(jù)中的多層次抽象特征。每個LSTM層的輸出可以作為下一層的輸入，從而逐漸提取出更高級別的特征表示。最后一層LSTM的輸出可以被用作時間序列數(shù)據(jù)的最終特征表示。具體功能如圖3所示。每一個LSTM輸入形式為樣本、時間步長、特征，按時間依次記錄每個時間點(diǎn)上的信息，實現(xiàn)時間維度上的特征提取，并只將最后一個時間點(diǎn)上的隱藏信息ht輸出給下一層網(wǎng)絡(luò)，完成風(fēng)電功率預(yù)測任務(wù)。

圖3 LSTM工作原理

將從LSTM中提取的特征輸入另一個機(jī)器學(xué)習(xí)模型中的方法，例如隨機(jī)森林和LGBM，以利用這些模型的優(yōu)點(diǎn)并提高預(yù)測性能。特別地，選擇以LGBM作為代表性的機(jī)器學(xué)習(xí)模型，并使用原始輸入特征及從LSTM中提取的特征來訓(xùn)練LGBM模型。整體模型架構(gòu)如圖4所示。首先從輸入數(shù)據(jù)中提取特征信息，這些特征由LSTM模型自動學(xué)習(xí)并捕捉到時序上的模式和關(guān)聯(lián)。然后將這些平坦的特征輸出傳遞給LGBM模型。通過使用LGBM模型替代全連接層，可以避免因數(shù)據(jù)數(shù)量或質(zhì)量的限制而陷入局部最優(yōu)解。這種特征提取的方法為LGBM模型提供了更強(qiáng)的表達(dá)能力，從而提高了預(yù)測性能。

圖4 LSTM-LGBM整體結(jié)構(gòu)

3 算例分析

3.1 實驗配置

為了驗證論文所提模型在風(fēng)電功率預(yù)測上的科學(xué)性和可靠性，選取某風(fēng)電場2020年10月1日至2021年2月15日共32 000多條風(fēng)電負(fù)荷產(chǎn)出作為原始數(shù)據(jù)進(jìn)行實驗，數(shù)據(jù)集包括對應(yīng)時間風(fēng)電功率和天氣特征，如溫度、氣壓、濕度、風(fēng)速等，采樣間隔為1 h。訓(xùn)練集和測試集數(shù)據(jù)比例為4∶1，并且按照時序劃分。

3.2 評價指標(biāo)

預(yù)測模型的準(zhǔn)確度和性能主要通過評估預(yù)測值與真實值之間的誤差來衡量。常用的評估指標(biāo)包括均方根誤差(root mean squared error，RMSE)、平均絕對誤差(mean absolute error，MAE)、平均絕對百分比誤差(mean absolute percentage error，MAPE)和R平方(R-squared，R2)。RMSE用于度量預(yù)測值與真實值之間的偏差，其值越大表示預(yù)測誤差越大；MAE表示預(yù)測值誤差的平均絕對值；MAPE表示平均預(yù)測誤差與真實值之間的百分比差異；R2用于衡量因變量方差的百分比可以由模型解釋的程度。這些指標(biāo)的計算公式如下所示：

(9)

(10)

(11)

(12)

此外，模型的收斂速度也被視為一個重要的評價依據(jù)。快速的收斂速度意味著模型在相對較少的訓(xùn)練迭代次數(shù)內(nèi)能夠達(dá)到較好的擬合效果。這對實際應(yīng)用中的大規(guī)模數(shù)據(jù)集和實時預(yù)測任務(wù)非常重要，因為快速收斂的模型能夠更快地完成訓(xùn)練，從而減少計算資源和時間的消耗。

3.3 模型配置

3.3.1模型超參數(shù)設(shè)置

在風(fēng)電數(shù)據(jù)集中，采用皮爾遜相關(guān)系數(shù)提取風(fēng)速、風(fēng)向和氣溫作為風(fēng)電多步功率預(yù)測的主要特征。首先，將數(shù)據(jù)集輸入到LSTM網(wǎng)絡(luò)中提取時序特征，然后將這些特征傳遞給LGBM模型進(jìn)行預(yù)測。此外，為了進(jìn)行全面的性能比較，研究選取3種基礎(chǔ)模型，分別是LSTM、LGBM和額外樹回歸(extra trees，ET)。為了降低機(jī)器學(xué)習(xí)模型訓(xùn)練過程中的隨機(jī)性影響，實驗中采用隨機(jī)種子和隨機(jī)狀態(tài)值。針對所有預(yù)測模型進(jìn)行廣泛的超參數(shù)調(diào)優(yōu)，而對于其他基礎(chǔ)模型，采用網(wǎng)格搜索的方法來確定最佳的參數(shù)組合。通過這樣的精細(xì)調(diào)整，優(yōu)化模型的性能和預(yù)測準(zhǔn)確度。最終，每個模型使用的超參數(shù)集合在表2和表3中展示，而超參數(shù)調(diào)優(yōu)實驗的搜索結(jié)果見表4。這些實驗和調(diào)優(yōu)過程，旨在提高預(yù)測模型的性能和準(zhǔn)確度。

表2 神經(jīng)網(wǎng)絡(luò)模型參數(shù)尋優(yōu)

表3 LGBM參數(shù)尋優(yōu)

表4 實驗所采用模型超參數(shù)設(shè)置

3.3.2預(yù)測方法

風(fēng)電功率數(shù)據(jù)存在時間上的關(guān)聯(lián)性，可通過已有的時間序列數(shù)據(jù)訓(xùn)練模型進(jìn)而對下一時刻的風(fēng)電功率進(jìn)行多步預(yù)測，多步預(yù)測可以采用滑動窗口記錄時間信息，具體如圖5所示。使用滑動窗口進(jìn)行時間序列預(yù)測是通過將時間序列數(shù)據(jù)分割為固定大小的窗口，提取特征、處理數(shù)據(jù)非平穩(wěn)性、建立序列模型，并實現(xiàn)對未來時間步的預(yù)測能力，從而使模型能夠更準(zhǔn)確地預(yù)測時間序列數(shù)據(jù)的趨勢和變化。在預(yù)測過程中，首先利用歷史數(shù)據(jù)對當(dāng)前時刻進(jìn)行預(yù)測，通過采用固定窗口長度為L的特征量作為模型輸入，得到當(dāng)前時刻的功率預(yù)測值，然后將該預(yù)測值作為下一時刻功率預(yù)測的輸入。這種方法可以更準(zhǔn)確地捕捉時間序列數(shù)據(jù)的趨勢和變化，實現(xiàn)多步預(yù)測的功能。

圖5 滑動窗原理

3.3.3模型組合

對于預(yù)測目標(biāo)，選擇篩選后的特征作為模型輸入數(shù)量(為k)，即輸入矩陣為x=(x1，…，xk)；使用n種模型進(jìn)行預(yù)測，對應(yīng)輸出矩陣為y=(y1，…，yn)，關(guān)聯(lián)系數(shù)矩陣為w=(w1，…，wn)；關(guān)聯(lián)系數(shù)w的值介于[0，1]，則對應(yīng)組合模型的預(yù)測輸出矩陣為每組模型的預(yù)測值和對應(yīng)的關(guān)聯(lián)系數(shù)相乘，具體為：

(13)

以相關(guān)誤差達(dá)到最小值為目標(biāo)函數(shù)，確定最佳關(guān)聯(lián)系數(shù)矩陣，尋優(yōu)公式表示為：

(14)

3.4 基于LSTM-LGBM的風(fēng)電功率預(yù)測

為驗證論文中提出的風(fēng)電功率短期預(yù)測模型(LSTM-LGBM)的有效性，將LSTM-LGBM模型與其他單一模型(LSTM、LGBM、ET)進(jìn)行比較，并在相同的風(fēng)電功率數(shù)據(jù)上進(jìn)行訓(xùn)練和預(yù)測分析。各模型參數(shù)設(shè)置為網(wǎng)格搜索法中定義的最優(yōu)參數(shù)，固定時間窗口步長為8，規(guī)定訓(xùn)練集上的均方根誤差小于0.015時模型達(dá)到收斂狀態(tài)。表5列出了各模型的誤差評價指標(biāo)及模型收斂所需的迭代次數(shù)，圖6展示了相應(yīng)的功率預(yù)測對比曲線。

表5 不同模型評價指標(biāo)及迭代次數(shù)

圖6 不同模型預(yù)測曲線對比

由表5可知，LGBM模型達(dá)到收斂狀態(tài)所需的迭代次數(shù)最少。得益于直方圖的分箱方法、互斥特征捆綁技術(shù)和梯度提升的機(jī)制，對比同為基于決策樹的ET算法，LGBM模型的收斂速度更快、預(yù)測性能更好。LSTM模型在處理序列模型時，由于遞歸的性質(zhì)，需要更多的計算資源和時間。但是捕捉時序特征的能力較強(qiáng)，將第二個隱藏層上最后一個時間步上的64個隱藏狀態(tài)作為LGBM模型的輸入特征，體現(xiàn)出LSTM對時序特征的敏感性和LGBM對高維數(shù)據(jù)的擬合能力。與單獨(dú)使用LGBM模型相比，組合模型顯著降低了RMSE指標(biāo)，降幅達(dá)到了22.43%。與單獨(dú)使用LSTM模型相比，組合模型在RMSE、MAE、MAPE和R2數(shù)值上的提升分別為33.07%、42.08%、30.9%和3.1%，同時在一定程度上獲得更高的訓(xùn)練效率。圖6直觀地表現(xiàn)了各模型對功率的擬合能力，本文模型的預(yù)測值與真實值基本吻合。LSTM模型可以為LGBM提供更有信息量的特征表示，從而讓LGBM能夠更準(zhǔn)確地進(jìn)行預(yù)測。這種組合模型在預(yù)測功率數(shù)值和趨勢方面都表現(xiàn)得更加準(zhǔn)確?？紤]到風(fēng)機(jī)功率受環(huán)境影響較大，表現(xiàn)出波動性和隨機(jī)性的特點(diǎn)。為了評估模型在不同的風(fēng)電功率變化場景下的預(yù)測效果，選擇兩個不同場景的風(fēng)電功率預(yù)測結(jié)果進(jìn)行展示，分別如圖7和圖8所示。

圖8 風(fēng)機(jī)功率波動區(qū)段圖

在風(fēng)電功率趨于平穩(wěn)的區(qū)段，LGBM模型相比LSTM和ET模型展現(xiàn)出更好的預(yù)測能力。LGBM模型能夠準(zhǔn)確捕捉到風(fēng)電出力的趨勢，并且具有較小的波動性。同時，結(jié)合LSTM和LGBM的組合模型在此基礎(chǔ)上實現(xiàn)了更為精確的預(yù)測曲線，說明本文模型對于穩(wěn)定狀態(tài)下的風(fēng)電功率具有較好的預(yù)測能力，能夠提供可靠的趨勢預(yù)測信息。在風(fēng)電功率波動較大的區(qū)段，4個模型都能夠預(yù)測出一定規(guī)律的波動。然而ET模型和LSTM模型在波動規(guī)律上與真實值存在較大的偏差，并且存在一定的滯后性。相比之下，LGBM模型在這個場景中表現(xiàn)良好，預(yù)測曲線的趨勢與真實值基本一致，但仍然存在一定的偏置。值得注意的是，通過LSTM模型提取特征后的LGBM模型展現(xiàn)出更好的預(yù)測性能，無論是在趨勢還是數(shù)值上都與真實值基本吻合。

4 結(jié)論

風(fēng)機(jī)出力受到風(fēng)速、風(fēng)向、氣象條件等多種因素的影響，與特征之間高度的非線性關(guān)系加大了風(fēng)電功率短期預(yù)測的難度。提取特征的意義在于從原始的風(fēng)機(jī)出力數(shù)據(jù)中提取出具有代表性和有意義的特征，用于建立預(yù)測模型和進(jìn)行分析。為進(jìn)一步提升風(fēng)電功率的預(yù)測精度，提出一種LSTM-LGBM的風(fēng)電功率短期預(yù)測方法，利用LSTM網(wǎng)絡(luò)對時間的敏感性提取出原始數(shù)據(jù)中的時序特征，通過LGBM模型迭代訓(xùn)練多個決策樹來進(jìn)行集成學(xué)習(xí)，并設(shè)置了不同的超參數(shù)，以選擇最優(yōu)的預(yù)測效果。驗證結(jié)果表明該方法具有較好的預(yù)測性能和有效性。具體結(jié)論如下：

1)通過與其他單一預(yù)測模型進(jìn)行比較，本文提出的組合模型展現(xiàn)了更小的預(yù)測誤差，具有更高的預(yù)測精度和預(yù)測性能。

2)通過將LSTM和LGBM結(jié)合在一起，模型能夠充分利用LSTM提取的時序特征和LGBM模型的強(qiáng)大擬合能力。LSTM提供了對過去觀測值的建模，捕捉了風(fēng)電功率的長期趨勢和周期性，而LGBM通過對LSTM提取的隱藏狀態(tài)的建模，進(jìn)一步改善了預(yù)測性能，提高了對未來風(fēng)電功率的準(zhǔn)確預(yù)測能力。

3)LSTM-LGBM模型在不同的風(fēng)電功率變化趨勢上都具有良好的擬合能力，對數(shù)據(jù)的解釋能力較強(qiáng)，并且這種集成學(xué)習(xí)方式能夠提高模型的魯棒性和泛化能力，使得模型能夠更好地適應(yīng)不同的風(fēng)電功率預(yù)測任務(wù)。

模擬出力風(fēng)機(jī)功率預(yù)測任務(wù)中，還有一些待完善的方面，可以考慮引入天氣數(shù)據(jù)、季節(jié)性特征、時間相關(guān)特征等，以更好地捕捉風(fēng)機(jī)功率與環(huán)境因素之間的關(guān)系。可以嘗試使用可解釋性強(qiáng)的模型或方法，如SHAP值、特征重要性分析等，來解釋模型預(yù)測結(jié)果，并對預(yù)測結(jié)果進(jìn)行可解釋性的評估和解釋。