基于CNN-LSTM-lightGBM组合的超短期风电功率预测方法

作者：王愈轩; 刘尔佳; 黄永章^*

来源：科学技术与工程, 2022, 22(36): 16067-16074.

• 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

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4 h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。

• 单位
  电子工程学院; 华北电力大学