《表1 基于LSTM神经网络与ARIMA算法的春季数据预测结果对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于长短期记忆神经网络的风力发电功率预测方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了验证LSTM的预测能力，应用时间尺度更长的春季周风力发电功率曲线进行时序预测分析。针对一周10 080个风力发电功率数据，本文将初始约100 h的6 048个数据作为训练集，后续约68 h的4 032个数据作为测试集，开展了预测效果分析。图5为基于测试集数据得到的周风力发电功率ARIMA、LSTM神经网络预测结果，及应用2种方法的预测残差对比。可以看出，由于训练数据增加，LSTM神经网络与ARIMA算法的预测效果均有明显提升；但LSTM神经网络的预测结果更符合原时序序列的趋势，且不会出现较大波动，在长时间序列的周数据预测中计算效果更好。应用式（14）、（15）分别对LSTM神经网络与ARIMA算法的预测结果进行了对比，如表1所示。在春季日风力发电功率曲线中，LSTM神经网络的2种预测误差RMSE、MAE比ARIMA算法分别降低了7.7%、7%。在数据规模更大的春季周风力发电功率曲线中，LSTM神经网络的2种预测误差RMSE、MAE比ARIMA算法分别降低了4.3%、3.1%。随着数据规模的增大，LSTM神经网络本身的预测性能也得到了提高。与春季日风力发电功率LSTM神经网络的预测误差相比，春季周风力发电功率预测误差RMSE降低了7.1%，MAE降低了12.5%。由此可知，在针对不同数据规模的风力发电功率预测中，深度学习算法均有良好表现，且随着数据规模的提升，可获得更好预测效果。