基于數(shù)字孿生和深度學(xué)習(xí)的風(fēng)力與光伏發(fā)電預(yù)測(cè)方法研究

關(guān)鍵詞：可再生能源發(fā)電預(yù)測(cè)；深度學(xué)習(xí)；數(shù)字孿生技術(shù)

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A

0引言（Introduction）

隨著化石燃料資源的日益枯竭與低碳經(jīng)濟(jì)的迫切需求，風(fēng)能、太陽能等可再生能源成為能源轉(zhuǎn)型支柱。智能電網(wǎng)借助人工智能技術(shù)（AD，尤其在小型電網(wǎng)中，能夠確保電能的穩(wěn)定供應(yīng)。盡管傳統(tǒng)能源在發(fā)電效率上具有優(yōu)勢(shì)，但是其對(duì)環(huán)境造成的負(fù)面影響卻不容忽視。因此，各國(guó)正積極探索解決方案以促進(jìn)可再生能源的廣泛應(yīng)用。傳統(tǒng)能源存在的環(huán)境影響問題驅(qū)使可再生能源的普及成為當(dāng)下的焦點(diǎn)，但其發(fā)電的不穩(wěn)定性對(duì)電網(wǎng)安全構(gòu)成了挑戰(zhàn)。例如，烏茲別克斯坦需要額外的備用電力來應(yīng)對(duì)這種波動(dòng)性，這無疑增大了調(diào)度的復(fù)雜度和成本。在我國(guó)沿海地區(qū)，環(huán)境氣候的復(fù)雜變化，導(dǎo)致可再生能源的利用受到極大的制約。為了應(yīng)對(duì)這些挑戰(zhàn)，深度學(xué)習(xí)通過整合歷史發(fā)電數(shù)據(jù)、可再生能源數(shù)據(jù)以及天氣數(shù)據(jù)，構(gòu)建了預(yù)測(cè)模型，有效地提高了發(fā)電預(yù)測(cè)精度及調(diào)度效率。同時(shí)，數(shù)字孿生技術(shù)能夠?qū)崟r(shí)監(jiān)控電力系統(tǒng)，預(yù)防故障發(fā)生，并優(yōu)化控制策略。本文提出一種結(jié)合深度學(xué)習(xí)模型和數(shù)字孿生技術(shù)的新方法，通過分析用電數(shù)據(jù)，捕捉負(fù)荷依賴關(guān)系，進(jìn)一步提升了預(yù)測(cè)的準(zhǔn)確性，并為電網(wǎng)穩(wěn)定運(yùn)行提供決策支持。

1使用數(shù)據(jù)集和方法（Datasets and methods）

本研究的核心是構(gòu)建風(fēng)能和光伏的可再生能源電力預(yù)測(cè)模型，并應(yīng)用數(shù)字孿生技術(shù)建立三維模型和可視化界面。電能預(yù)測(cè)模型的總體流程框架圖如圖1所示，圖1展示了本研究的總體實(shí)施框架，主要包括數(shù)據(jù)集的創(chuàng)建、可再生能源發(fā)電預(yù)測(cè)模型的構(gòu)建及數(shù)字孿生可視化平臺(tái)的搭建3個(gè)主要步驟。

首先是數(shù)據(jù)集的創(chuàng)建：使用Elia Open Renewable Energy Generation Data作為原始數(shù)據(jù)，合并清洗數(shù)據(jù)構(gòu)建成風(fēng)力和光伏發(fā)電數(shù)據(jù)集（對(duì)應(yīng)“1.1”小節(jié)）；其次是可再生能源發(fā)電預(yù)測(cè)模型的構(gòu)建：采用深度學(xué)習(xí)算法構(gòu)建風(fēng)力和光伏發(fā)電預(yù)測(cè)模型，并尋找最優(yōu)參數(shù)，用于預(yù)測(cè)數(shù)據(jù)集中的數(shù)據(jù)（對(duì)應(yīng)“1.2”小節(jié)和“1.3”小節(jié)）；最后是數(shù)字孿生可視化平臺(tái)的搭建：構(gòu)建數(shù)字孿生三維模型和可視化平臺(tái)，能為電力市場(chǎng)的參與者提供準(zhǔn)確且可靠的決策信息，進(jìn)而推動(dòng)電力系統(tǒng)的運(yùn)行管理達(dá)到更高效、更智能及更可靠的水平（對(duì)應(yīng)“1.4”小節(jié)）。本節(jié)詳細(xì)描述了每個(gè)模塊的執(zhí)行方法。

1.1數(shù)據(jù)集的創(chuàng)建

本次實(shí)驗(yàn)采用的原始數(shù)據(jù)包括光伏與風(fēng)力發(fā)電數(shù)據(jù)，以及影響發(fā)電的各種因素和天氣條件數(shù)據(jù)。光伏發(fā)電與風(fēng)力發(fā)電數(shù)據(jù)來源于Elia開放數(shù)據(jù)門戶，而影響發(fā)電的各種因素和天氣條件數(shù)據(jù)來源于布魯塞爾當(dāng)?shù)氐奶鞖鈹?shù)據(jù)庫。

具體來說，每一條數(shù)據(jù)條目都包含了以下幾個(gè)與發(fā)電數(shù)據(jù)密切相關(guān)的影響因素：T（溫度）、Po（大氣壓力）、P（降水量）、U（相對(duì)濕度）、DD（風(fēng)向）、Ff（平均風(fēng)速）、N（云量）、H（云基高度）和Td（露點(diǎn)溫度）。天氣變量的具體釋義見表1。

可再生能源發(fā)電量分別來自Flanders和Wallonia地區(qū)的歷史發(fā)電數(shù)據(jù)。其中，光伏發(fā)電數(shù)據(jù)共計(jì)16 777條記錄，風(fēng)力發(fā)電數(shù)據(jù)共計(jì)35065條記錄。所有數(shù)據(jù)按照時(shí)間序列的形式整理，構(gòu)建詳細(xì)的數(shù)據(jù)庫，為后續(xù)深度學(xué)習(xí)模型的構(gòu)建與訓(xùn)練提供了充足且高質(zhì)量的數(shù)據(jù)支持。

1.2發(fā)電預(yù)測(cè)模型

本研究提出的電能預(yù)測(cè)模型ELNet的結(jié)構(gòu)如圖2所示。該模型包括數(shù)據(jù)處理層、Model層和全連接層3個(gè)主要部分。該模型的具體結(jié)構(gòu)和算法如下。

1.2.1數(shù)據(jù)處理層

1.2.2 Model層

Model層總共有兩層，第一層是CNN（卷積神經(jīng)網(wǎng)絡(luò)）層，第二層是BiLSTM（雙向長(zhǎng)短期記憶網(wǎng)絡(luò)）層。

（1） CNN層：CNN層通過卷積與池化操作對(duì)可再生能源數(shù)據(jù)進(jìn)行高效處理。首先，卷積層針對(duì)每個(gè)通道應(yīng)用不同的卷積核（濾波器），每個(gè)濾波器專門負(fù)責(zé)學(xué)習(xí)該通道數(shù)據(jù)中的特定模式。例如，在溫度通道中，一個(gè)濾波器可能學(xué)習(xí)到溫度上升和發(fā)電量增加之間的關(guān)聯(lián)；在風(fēng)速通道中，另一個(gè)濾波器可能捕捉到風(fēng)速超過某一閾值后發(fā)電量激增現(xiàn)象。通過這種機(jī)制，CNN能從每個(gè)獨(dú)立的氣象參數(shù)中抽取出與發(fā)電量預(yù)測(cè)高度相關(guān)的特征。其次，卷積層可以跨通道捕捉不同氣象條件之間的相互作用。例如，某個(gè)濾波器識(shí)別出溫度和濕度對(duì)發(fā)電效率的綜合影響。

在池化層中，會(huì)進(jìn)一步提煉卷積層的特征，比如通過最大池化選取每個(gè)特征圖上的最大值，保留最具代表性的信息。這樣做既降低了后續(xù)處理的數(shù)據(jù)量，也增強(qiáng)了模型對(duì)實(shí)際采集數(shù)據(jù)中因環(huán)境設(shè)備限制而導(dǎo)致的小幅噪聲和變異的穩(wěn)健性。經(jīng)此處理，CNN層成功提煉出多尺度時(shí)空特征及潛在趨勢(shì)周期模式，為后續(xù)BiLSTM層捕獲關(guān)鍵信息奠定了基礎(chǔ)。電能預(yù)測(cè)模型ELNet的結(jié)構(gòu)如圖2所示。

（2） BiLSTM層：該層通過前向和后向兩個(gè)方向的LSTM對(duì)輸入序列進(jìn)行遍歷，包含多個(gè)神經(jīng)元，每個(gè)神經(jīng)元包含一個(gè)遺忘門、一個(gè)輸入門及一個(gè)輸出門，用于空值信息的流動(dòng)和保留。

公式（2）為輸入門，用于對(duì)新接收的可再生能源發(fā)電數(shù)據(jù)進(jìn)行篩選和整合，并更新單元狀態(tài)（Cell State）。

雙向處理機(jī)制能夠讓模型更全面地理解時(shí)序特征，正向LSTM可以捕捉到數(shù)據(jù)的隱藏趨勢(shì)和即時(shí)效應(yīng)，而反向LSTM能更好地理解長(zhǎng)期依賴和歷史背景。

1.2.3全連接層

多個(gè)完全連接層（也稱為密集層）用于特征融合和輸出，隨后使用線性激活函數(shù)作為輸出層的激活函數(shù)，以輸出預(yù)測(cè)的可再生能源發(fā)電量的值。

該模型將時(shí)間序列預(yù)測(cè)的可再生能源發(fā)電量，以及時(shí)刻t的相應(yīng)天氣特征數(shù)據(jù)作為輸入。隨后，模型對(duì)這些輸入進(jìn)行處理，通過多層處理生成t+1時(shí)刻的可再生能源發(fā)電量的預(yù)測(cè)。

1.3最優(yōu)參數(shù)尋找

在進(jìn)行模型訓(xùn)練任務(wù)時(shí)，采用網(wǎng)格搜索法尋找最優(yōu)的模型配置。該方法通過系統(tǒng)性地遍歷預(yù)先設(shè)定的一系列超參數(shù)組合，在不同維度上調(diào)整模型設(shè)置，包括但不限于批量大小、隱層層數(shù)，通過這一過程找到最優(yōu)的模型參數(shù)設(shè)置。

超參數(shù)選擇與模型訓(xùn)練流程圖如圖3所示，該圖詳細(xì)描述了進(jìn)行網(wǎng)格搜索法的整體流程。數(shù)據(jù)預(yù)處理完成后，選擇要進(jìn)行預(yù)測(cè)的模型，并確定模型的超參數(shù)配置后進(jìn)行訓(xùn)練。訓(xùn)練完成后，代碼會(huì)自動(dòng)保存模型的預(yù)測(cè)結(jié)果、評(píng)價(jià)指標(biāo)及可視化圖等，然后進(jìn)入下一次循環(huán)，直到所有的模型及其超參數(shù)組合全部訓(xùn)練完成。在完成上述流程后，會(huì)得到每個(gè)模型的每一組超參數(shù)訓(xùn)練后的結(jié)果，隨后采用人工方式對(duì)評(píng)價(jià)指標(biāo)進(jìn)行排序，篩選出最優(yōu)的參數(shù)組合并得到預(yù)測(cè)結(jié)果。

1.4模塊構(gòu)建可視化

本小節(jié)介紹了構(gòu)建光伏發(fā)電廠和風(fēng)力發(fā)電廠數(shù)字雙可視化模塊的流程。數(shù)字孿生可視化模塊如圖4所示，它的構(gòu)建包括4個(gè)關(guān)鍵步驟：一是收集相關(guān)數(shù)據(jù)，構(gòu)建三維數(shù)字孿生模型；二是在電力數(shù)據(jù)預(yù)處理階段，篩選出對(duì)風(fēng)力發(fā)電和光伏發(fā)電產(chǎn)生影響的天氣數(shù)據(jù)；三是采用功率預(yù)測(cè)模型ELNet預(yù)測(cè)未來一段時(shí)間內(nèi)的發(fā)電量；四是搭建一個(gè)可視化平臺(tái)，將數(shù)據(jù)庫與數(shù)字孿生模型中的信息整合后予以展示，并提供數(shù)據(jù)分析及預(yù)測(cè)功能，助力用戶更好地管理和優(yōu)化發(fā)電廠的運(yùn)營(yíng)。

更新數(shù)據(jù)的具體過程如下：首先，本地服務(wù)器將預(yù)測(cè)模型的預(yù)測(cè)結(jié)果導(dǎo)人數(shù)據(jù)庫中；其次，云服務(wù)器定期從數(shù)據(jù)庫中檢索數(shù)據(jù)進(jìn)行更新，且數(shù)據(jù)庫中每個(gè)參數(shù)的含義已經(jīng)列于表1中。一旦檢索到最新的數(shù)據(jù)，它就會(huì)被發(fā)送到可視化平臺(tái)上。經(jīng)過以上步驟，一輪數(shù)據(jù)更新即完成，數(shù)據(jù)的一次更新過程如圖5所示，圖5中所示樣例數(shù)據(jù)如表2所示。

2實(shí)驗(yàn)（Experiment）

2.1數(shù)據(jù)集

本文利用Flanders_PV、Wallonia_PV、Flanders_wind及Wallonia_wind 4個(gè)數(shù)據(jù)集進(jìn)行模擬實(shí)驗(yàn)。其中，F(xiàn)landers_PV數(shù)據(jù)集包含F(xiàn)landers地區(qū)從2022年2月1日00：00至2023年12月31日23：00共計(jì)16777條光伏發(fā)電記錄，以及相應(yīng)的天氣狀況信息; Flanders_wind數(shù)據(jù)集包含F(xiàn)landers地區(qū)從2020年1月1日00：00至2023年12月31日23：00共計(jì)35065條風(fēng)力發(fā)電記錄，以及相應(yīng)的天氣狀況信息；Wallonia_PV數(shù)據(jù)集包含Wallonia地區(qū)從2022年2月1日00：00至2023年12月31日23： 00共計(jì)16777條光伏發(fā)電記錄，以及相應(yīng)的天氣狀況信息；Wallonia_wind數(shù)據(jù)集包含Wallonia地區(qū)從2020年1月1日00：00至2023年12月31日23：00共計(jì)35065條風(fēng)力發(fā)電記錄，以及相應(yīng)的天氣狀況信息。Flanders和Wallonia地區(qū)的光伏與風(fēng)力發(fā)電值如圖6所示。該圖展示了進(jìn)行處理后Flanders地區(qū)和Wallonia地區(qū)的歷史光伏與風(fēng)力發(fā)電數(shù)據(jù)的可視化結(jié)果。數(shù)據(jù)集的詳細(xì)信息如表3所示。

在接下來的數(shù)據(jù)分析中，本研究采用斯皮爾曼相關(guān)檢驗(yàn)和皮爾遜相關(guān)系數(shù)兩種方法探究9個(gè)不同天氣數(shù)據(jù)與目標(biāo)發(fā)電量之間的關(guān)聯(lián)性。斯皮爾曼相關(guān)性檢驗(yàn)結(jié)果如表4，皮爾遜相關(guān)性檢驗(yàn)結(jié)果如表5所示。皮爾遜能檢測(cè)協(xié)變量和目標(biāo)變量之間的線性關(guān)系，而斯皮爾曼則是關(guān)注兩者之間的非線性關(guān)系。從表4和表5中的結(jié)果來看，這兩種方法呈現(xiàn)出高度相似性，表明本文所使用的數(shù)據(jù)集呈現(xiàn)出均勻的分布特性，沒有極端異常值造成結(jié)果的顯著偏移。

為了更好地了解時(shí)間序列訓(xùn)練和驗(yàn)證中使用數(shù)據(jù)的特性，本文對(duì)數(shù)據(jù)特性進(jìn)行了研究，使用Dickey Fuller增廣檢驗(yàn)（ADF）驗(yàn)證數(shù)據(jù)集序列的平穩(wěn)性。4個(gè)數(shù)據(jù)集時(shí)間序列分析結(jié)果如表6所示。從表6中可以看到，4個(gè)數(shù)據(jù)集的p-value均小于0.05，ADF值均小于95%的置信區(qū)間值，因此拒接零假設(shè)，證明數(shù)據(jù)平穩(wěn)。

4個(gè)數(shù)據(jù)集均以Dateframe的格式分為訓(xùn)練集和測(cè)試集，訓(xùn)練集用于訓(xùn)練數(shù)據(jù)，占總數(shù)據(jù)集的80%，測(cè)試集用于測(cè)試數(shù)據(jù)，占總數(shù)據(jù)集的20%。在這次實(shí)驗(yàn)中，數(shù)據(jù)集被標(biāo)準(zhǔn)化為數(shù)值[0，1]。

2.2實(shí)驗(yàn)裝置

本文提出的可再生能源發(fā)電預(yù)測(cè)模型ELNet是使用Pytorch框架實(shí)現(xiàn)的。該模型在Windows環(huán)境中使用具有8GB顯存的4060Ti GPU進(jìn)行訓(xùn)練和測(cè)試。在訓(xùn)練過程中，采用了Adam優(yōu)化器，初始學(xué)習(xí)率lr=1×10^-2。為了提高模型預(yù)測(cè)的效率和收斂速度，總共訓(xùn)練了100個(gè)周期，并且t時(shí)間的天氣特征數(shù)據(jù)、風(fēng)能和光伏發(fā)電功率數(shù)據(jù)被用作預(yù)測(cè)t+1時(shí)間處的發(fā)電功率數(shù)據(jù)。這種方法確保了模型預(yù)測(cè)的準(zhǔn)確性和實(shí)時(shí)性。

2.3評(píng)價(jià)指標(biāo)

為了評(píng)估此次實(shí)驗(yàn)中提出的ELNet模型的性能，選擇了以下4個(gè)常用的誤差度量方式：RMSE是通過測(cè)量預(yù)測(cè)誤差來衡量神經(jīng)網(wǎng)絡(luò)性能的指標(biāo)，它表示預(yù)測(cè)值與觀測(cè)值之間差值的根；R²表示模型預(yù)測(cè)值與實(shí)際觀測(cè)值之間差異的解釋程度；MSE是用于衡量回歸模型預(yù)測(cè)能力的評(píng)價(jià)指標(biāo)，它表示回歸解釋變量的總方差的比例大小；MAE用于衡量預(yù)測(cè)值與真實(shí)值之間平均誤差的大小。

以上4個(gè)評(píng)估指標(biāo)的計(jì)算公式如公式（8）～公式（11）所示：

2.4模型超參數(shù)

在對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練時(shí)，需要確定一些參數(shù)的值，以提高精度和避免過擬合。模型的參數(shù)解釋分別如下。

時(shí)間步長(zhǎng)（Timestep）：模型處理數(shù)據(jù)的時(shí)間間隔或序列中的時(shí)間單位。

批量大小（Batch_size）：確定在更新模型參數(shù)之前要分析的樣本數(shù)量。

學(xué)習(xí)率（Learning_rate）：學(xué)習(xí)率過低可能導(dǎo)致訓(xùn)練過程緩慢，需要更多的訓(xùn)練周期；而學(xué)習(xí)率過高則可能導(dǎo)致模型在最優(yōu)解附近波動(dòng)，難以穩(wěn)定收斂。經(jīng)過多輪實(shí)驗(yàn)和調(diào)整，本實(shí)驗(yàn)將初始學(xué)習(xí)率設(shè)定為0.001。

周期數(shù)（Epoch）：確定整個(gè)數(shù)據(jù)集將要被訓(xùn)練的次數(shù)。考慮到模型的收斂情況，周期數(shù)定為100。

隱層（Hidden_size）：模型的復(fù)雜性由神經(jīng)元和隱藏混沌（hidden-chaos）現(xiàn)象的數(shù)量決定。關(guān)于隱層數(shù)量的選擇，對(duì)不同的單元進(jìn)行了實(shí)驗(yàn)，并通過評(píng)估指標(biāo)選擇最優(yōu)值。

網(wǎng)絡(luò)層數(shù)（Num_layers）：序列模型中連續(xù)的堆疊隱藏層的層數(shù)。

優(yōu)化算法（Optimization_algorithm）：不同的優(yōu)化算法對(duì)模型的學(xué)習(xí)有著顯著的影響，它會(huì)根據(jù)設(shè)定的學(xué)習(xí)率更新參數(shù)值。

在本次實(shí)驗(yàn)中，使用網(wǎng)格搜索法進(jìn)行最優(yōu)參數(shù)的選擇。每個(gè)模型進(jìn)行網(wǎng)格搜索的超參數(shù)設(shè)置如表7所示。

2.5實(shí)驗(yàn)結(jié)果分析

在本小節(jié)中，對(duì)現(xiàn)有的主流的電力負(fù)荷序列預(yù)測(cè)模型（包括LSTM、RNN、GRU、RNN和Attention模型）與本文提出的ELNet模型進(jìn)行了全面的性能比較分析，包括MSE、MAE、RMSE和R²。模型輸入上一個(gè)時(shí)間步的天氣情況和電力負(fù)荷值，輸出是下一個(gè)時(shí)間步的電力負(fù)荷值。通過將ELNet模型在以上指標(biāo)上的表現(xiàn)與LSTM、CNN、GRU、RNN和Attention模型的表現(xiàn)進(jìn)行比較，得出以下分析結(jié)果。

（l）Flanders_PV精度比較結(jié)果如表8所示，ELNet模型在測(cè)試數(shù)據(jù)集Flanders_PV上的表現(xiàn)優(yōu)于其他模型的表現(xiàn)，該模型的MAE、MSE、RMSE和R2分別為0.021847、0.001229、0.035 056和0.968 131。

（2） Wallonia_PV精度比較結(jié)果如表9所示，ELNet模型在測(cè)試數(shù)據(jù)集Wallonia_PV上的表現(xiàn)優(yōu)于其他模型的表現(xiàn)，該模型的MAE、MSE、RMSE和R2分別為0.020228、0.001083、0.032911和0.973585。

（3） Flanders_wind精度比較結(jié)果如表10所示，ELNet模型在測(cè)試數(shù)據(jù)集Flanders_ wind上的表現(xiàn)優(yōu)于其他模型的表現(xiàn)，該模型的MAE、MSE、RMSE和R2分別為0.053269、0.007087、0.084185和0.942058。

（4） Wallonia_wind精度比較結(jié)果如表11所示，ELNet模型在測(cè)試數(shù)據(jù)集Wallonia_wind上MAE、MSE、RMSE的指標(biāo)優(yōu)于其他模型的表現(xiàn)，僅在R²的指標(biāo)上略遜于LSTM。該模型的MAE、MSE、RMSE和R²分別為0.028 079、0.001838、0.042881和0.935861。

為了進(jìn)一步證明所提出的模型在預(yù)測(cè)風(fēng)電和光伏電力負(fù)荷方面的有效性，對(duì)測(cè)試集中最后365個(gè)數(shù)據(jù)點(diǎn)的預(yù)測(cè)值進(jìn)行了可視化。發(fā)電功率預(yù)測(cè)結(jié)果的可視化結(jié)果如圖7所示，該圖詳細(xì)比較了4個(gè)數(shù)據(jù)集中每個(gè)模型的性能。虛線表示實(shí)際數(shù)據(jù)，而其他點(diǎn)劃線表示每個(gè)算法的預(yù)測(cè)結(jié)果。其中，圖7（a）代表Flanders地區(qū)的光伏發(fā)電數(shù)據(jù)。圖7（b）代表Wallonia地區(qū)的光伏發(fā)電數(shù)據(jù)。圖7（c）和圖7（d）分別代表Flanders和Wallonia地區(qū)的風(fēng)力發(fā)電數(shù)據(jù)。從圖7（a）中可以看到，Attention模型的預(yù)測(cè)與實(shí)際結(jié)果存在顯著偏差；從圖7（c）中可以看到，Attention和GRU模型與實(shí)際結(jié)果存在顯著偏差。總體而言，LSTM和本文所提出的ELNet模型的性能是高度穩(wěn)定和準(zhǔn)確的。

總而言之，上述分析結(jié)果表明，本文提出的電能預(yù)測(cè)模型ELNet可以準(zhǔn)確地預(yù)測(cè)下一時(shí)間步長(zhǎng)的電能情況。

訓(xùn)練損失可視化結(jié)果如圖8所示。該圖呈現(xiàn)了4個(gè)獨(dú)立數(shù)據(jù)集上模型訓(xùn)練過程中的訓(xùn)練和測(cè)試損失值（Loss）的變化情況。其中，訓(xùn)練損失用正方形點(diǎn)劃線表示，測(cè)試損失用三角形點(diǎn)劃線表示。圖8（a）是Flanders光伏發(fā)電數(shù)據(jù)集上的訓(xùn)練和測(cè)試Loss曲線，圖8（b）是Wallonia光伏發(fā)電數(shù)據(jù)集上的Loss曲線。圖8（c）和圖8（d）分別是模型在Flanders與Wallonia風(fēng)力發(fā)電數(shù)據(jù)集上的訓(xùn)練和測(cè)試Loss迭代情況。

3分析（Analysis）

從上文的訓(xùn)練結(jié)果中可知，ELNet模型相較于其他模型展現(xiàn)出更高的預(yù)測(cè)精度。根據(jù)MSE指標(biāo)，與其余4個(gè)模型相比較，ELNet模型在4個(gè)不同的訓(xùn)練集上的誤差平均降低了33.7百分點(diǎn)。尤為值得注意的是，當(dāng)與Attention模型比較時(shí)，ELNet在所有數(shù)據(jù)集上均展現(xiàn)出顯著的優(yōu)勢(shì)，平均誤差降幅超過60%，最高達(dá)到82.97%。ELNet模型相較于其他模型的預(yù)測(cè)誤差下降值（依據(jù)MSE）如表12所示。

BiLSTM模型因其獨(dú)特的雙向結(jié)構(gòu)而具備捕捉長(zhǎng)期依賴的能力。相較于傳統(tǒng)的LSTM，雙向LSTM能夠同時(shí)考慮過去和未來的上下文信息。CNN的卷積層能夠使用濾波器，以滑動(dòng)窗口方式提取并整合局部時(shí)間和空間上的模式特征，這一特性使得CNN能夠有效挖掘時(shí)序數(shù)據(jù)中的短期規(guī)律和周期性變化。將CNN與BiLSTM結(jié)合，一方面借助BiLSTM的雙方向信息流提取豐富的時(shí)序特征；另一方面利用CNN快速捕獲和遺忘信息的特點(diǎn)，使模型在保持較高預(yù)測(cè)精度的同時(shí)，增強(qiáng)了捕捉重要時(shí)序特征的能力，讓ELNet模型能更好地捕捉發(fā)電功率的未來變化趨勢(shì)。

4結(jié)論（Conclusion）

為了充分發(fā)揮數(shù)字孿生技術(shù)在人工智能電網(wǎng)和可再生能源電力預(yù)測(cè)領(lǐng)域的潛力，本文提出了一個(gè)專為人工智能電網(wǎng)設(shè)計(jì)的數(shù)字孿生電力預(yù)測(cè)系統(tǒng)。該系統(tǒng)結(jié)合了神經(jīng)網(wǎng)絡(luò)技術(shù)，利用天氣條件和歷史電力負(fù)荷數(shù)據(jù)預(yù)測(cè)未來的風(fēng)力發(fā)電與光伏發(fā)電情況。接著，系統(tǒng)將預(yù)測(cè)信息映射到數(shù)字虛擬空間，實(shí)現(xiàn)對(duì)電力系統(tǒng)實(shí)時(shí)運(yùn)行狀態(tài)的精準(zhǔn)控制和優(yōu)化決策支持。此外，選取了比利時(shí)Flanders和Wallonia地區(qū)的風(fēng)力發(fā)電與光伏發(fā)電數(shù)據(jù)進(jìn)行模擬實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果驗(yàn)證了本文提出的研究方法的有效性。

針對(duì)未來的研發(fā)方向，研究團(tuán)隊(duì)計(jì)劃聚焦于兩方面的工作。一是跨地區(qū)與跨系統(tǒng)一體化預(yù)測(cè)，即通過深度挖掘和綜合評(píng)估不同地區(qū)的氣象狀況及各自電力系統(tǒng)的運(yùn)行參數(shù)，力求實(shí)現(xiàn)大尺度、多系統(tǒng)間協(xié)同的電力供應(yīng)預(yù)測(cè)與運(yùn)行優(yōu)化，進(jìn)而提升規(guī)劃決策的精度和廣度。二是設(shè)備故障及規(guī)模變動(dòng)影響，即將特別關(guān)注發(fā)電設(shè)施可能出現(xiàn)的故障情況及其對(duì)產(chǎn)能的影響，同時(shí)應(yīng)對(duì)設(shè)備規(guī)模調(diào)整所帶來的挑戰(zhàn)，致力于構(gòu)建更為精確且穩(wěn)健的電力產(chǎn)量預(yù)測(cè)模型。通過上述持續(xù)改進(jìn)工作，預(yù)期能夠進(jìn)一步提升可再生能源電力預(yù)測(cè)的準(zhǔn)確性與穩(wěn)定性。