基于贝叶斯LSTM的风电功率概率性预测研究

摘要：

确定性的风电功率预测可供电力调度系统实行长时间尺度优化,但不能计算预测结果的概率与波动区间.以贝叶斯神经网络为基础,采用长短期记忆网络(LSTM)处理风电功率预测的历史时序数据,提取时序数据的关联特征,学习时序数据的趋势变化,构建了贝叶斯LSTM网络预测模型.并采用皮尔森相关系数法(Pearson)分析了风电功率的历史数据集,剔除无关变量,对数据集进行了降维处理,简化了预测模型的整体结构.随后将LSTM处理后的时序数据与降维后的气象数据一起送入预测模型,通过在某风电数据集上不同置信度区间的概率预测以及和其他预测算法的对比验证可知,所提方法可对风电功率波动作出较为准确的响应,预测效果更好.

关键词：贝叶斯神经网络、LSTM、风电功率、概率预测

分类号：TM614(发电、发电厂)

在线出版日期：2022-11-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：96-99