Page 31 - 新能源风力发电技术与自动化技术研究

第一章 新能源发电功率预测

然而，简单 RNN 存在模型训练相关的梯度消失或爆炸问题，长短期记忆（long
short-term memory，LSTM）神经网络作为 RNN 的改进，能够通过自身特殊的结
构设计，有效解决上述问题，从而真正有效地利用历史序列信息。目前，LSTM

已经在自然语言处理、行为识别等诸多前沿领域中得到了广泛研究和应用。近年
来，也有研究者将 LSTM 应用于风电功率预测领域中。QU Xiaoyun 等人将 PCA
用于对风电功率预测相关输入进行降维，随后使用 LSTM 神经网络进行预测，
具有一定的效果。GRU 是 LSTM 的一种变体，相较 LSTM，它的结构更加精简，

参数较少因而能够更快收敛。Niu Z 等人使用了 GRU 作为风电功率预测模型，
并引入注意力机制，使得模型能够更加关注时间序列信息中更加关键的信息，提
高预测精度。
（2）卷积神经网络

卷积神经网络是一种深层前馈神经网络，具有局部连接、权重共享及汇聚
的特性。卷积神经网络相较传统前馈神经网络参数更少，从而更易于学习。通过
卷积神经网络，能够从原始数据中挖掘出本质的、高阶的特征。牛哲文、殷豪等
人在神经网络模型的设计中均引入了一维 CNN，这种做法使得模型能够抽取时

间序列信息中最具精华、最有利用价值的信息，有助于提升模型的预测能力。黄
睿等人则采用了一种更新的 CNN——时间卷积神经网络（Temporal Convolution
Networks，TCN)，获得了理想的预测效果。TCN 相较传统 CNN 而言，针对时间
序列问题进行了改进。其特有的因果空洞卷积在保证了模型因果性，在避免未来

到过去的数据泄露的同时也能够增加感受野。此外，TCN 还具有可并行处理、
稳定的梯度以及更低的内存开销等优点。
（二）未来技术展望
1. 迁移学习

迁移学习是运用已有知识解决相似任务的一种新的机器学习方法，是一项潜
力巨大的人工智能技术。当前电力系统中存在一些新建风电场，由于投入运营时
间较短，缺乏足够的历史运行数据作为模型的训练数据。若此时能够通过使用迁
移学习，将已投入较长时间的风电场训练模型直接迁移用于新建风电场的风电功

率预测中，上述历史运行数据不足的问题将能够得到很好的解决。
2. 增量学习
在一些具有实时性要求的风电功率预测场景中，在线建模能够方便模型利用

19