《表1 基于LSTM神经网络与ARIMA算法的春季数据预测结果对比》
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。
图表编号 | XD00111307300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.10.31 |
作者 | 李相俊、许格健 |
绘制单位 | 新能源与储能运行控制国家重点实验室(中国电力科学研究院有限公司)、新能源与储能运行控制国家重点实验室(中国电力科学研究院有限公司) |
更多格式 | 高清、无水印(增值服务) |