企业官网建设流程全解析

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

🎁完整资源、论文复现、期刊合作、论文辅导及科研仿真定制事宜点击：

👉👉👉本文完整资源下载

⛳️座右铭：行百里者，半于九十。

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥第一部分——内容介绍

基于 BiTCN‑LSTM 的多变量输入风电功率单步预测研究

摘要

风能作为现阶段发展规模最为庞大的清洁能源，已经深度参与电网供电调度工作。受气象环境、地形条件影响，风电出力具备较强的随机性、间歇性与突变特性，较低的预测精度会增大电网调峰压力，制约风电并网消纳水平。为充分挖掘风速、风向、空气湿度、环境温度等多项气象输入变量和风电出力之间的非线性时序关联，本文搭建双向时间卷积网络‑长短期记忆网络（BiTCN‑LSTM）混合深度学习模型开展风电功率单步预测。依靠双向时序卷积结构完成多变量时序数据的双向局部特征挖掘，再经由 LSTM 网络捕捉长时间尺度下的时序依赖关系，实现短期风电功率的预测输出。经过实测风电场数据集开展对照仿真，相较于传统 TCN、LSTM、TCN‑LSTM 预测模型，本文模型对于功率突变时段的适配能力更强，整体预测误差更低，可以为风电场调度规划提供可靠的数据支撑。关键词：风电功率预测；双向时间卷积网络；长短期记忆网络；多变量时序输入；单步预测

0 引言

0.1 研究背景以及研究意义

在国内双碳发展战略的推进之下，新能源发电产业迎来快速建设阶段，风力发电凭借资源储量充足、建设技术成熟的优势，已经成为国内新能源发电体系当中的核心板块。但风力资源受天气、昼夜温差、山地地貌等诸多因素干扰，风电机组输出功率随时发生起伏变化。大规模风电接入公共电网之后，功率的剧烈波动容易造成电网电压偏移、频率震荡，提升电力系统的调度难度，严重的时候还会出现弃风限电的现象，造成风能资源浪费。

开展高精度风电功率预测工作，能够提前获知下一时刻机组发电水平。调度部门可以以此为依据规划火电、储能设备的出力计划，缓冲风电波动性带来的负面影响；风电场运维人员也能够依靠预测结果安排设备检修、电网交易计划，提升风电场的经济效益。所以研发适配多气象变量、可以捕捉功率突变特征的预测模型，有着十分重要的工程实际价值。

现阶段风电功率预测主要分为物理预测方式、统计学预测方式和深度学习预测方式三类。物理方法依托大气动力学方程推演近地面风速状态，对地形、风机参数的测量精度依赖性很高，复杂地形场景预测效果较差；传统统计方法包含时间序列、支持向量回归等手段，适合规律平稳的数据序列，面对风电剧烈波动时段拟合能力不足。伴随着深度学习技术成熟，卷积神经网络、循环神经网络已经大量投入时序预测领域。单向时间卷积网络仅能够读取历史时段的数据特征，无法参考序列后续潜在变化趋势；单一 LSTM 网络在处理高维多变量输入时，局部浅层特征提取效率低下，面对风速骤变引发的风电功率尖峰突变容易产生较大预测偏差。

0.2 国内外研究现状

海外较早开展风电功率时序预测相关研究，早期研究大多使用 BP 神经网络搭建预测框架，后续陆续引入循环神经网络家族模型处理时序样本。近些年很多学者将卷积网络和循环网络组合搭建混合模型，利用卷积层筛选气象变量当中的有效特征，循环网络学习时间维度的关联特性。部分研究引入双向卷积结构，从过去、未来两个方向解析时序信息，明显改善短时突变工况下的预测性能。

国内相关研究主要围绕数据预处理、模型结构改良、优化算法调参、多模型集成方向展开。多数研究已经意识到风速不能够当作唯一输入参数，环境温度、气压、湿度、风向都会对风机叶轮的风能捕获效率产生作用，多变量输入模式已经成为主流研究方向。常规 TCN‑LSTM 组合模型只做单向时序扫描，会丢失反向时序隐含信息，在大风、阵风等极端工况下预测稳定性较差。基于以上短板，本文构建 BiTCN‑LSTM 预测框架，双向挖掘多变量气象时序特征，以此提升单步风电功率预测精度。

0.3 本文主要工作

（1）对风电场实测多变量数据集开展数据分析、异常值剔除、标准化预处理工作，选定风速、风向、环境温度、空气湿度、实测风电功率作为模型输入特征，完成数据集训练集、验证集、测试集的划分； （2）搭建 BiTCN‑LSTM 混合预测模型，由双向时间卷积网络负责多变量时序的双向浅层特征提取，LSTM 网络学习长时间尺度的非线性依赖关系，输出下一时刻风电功率单步预测结果； （3）设置多组对比预测模型，从平稳出力区间、功率突变区间分别对比各个模型拟合效果，通过多项评价指标验证该混合网络结构的优越性； （4）分析不同气象输入变量对于预测结果的影响，总结 BiTCN‑LSTM 模型在风电预测任务当中的优势以及后续优化方向。

1 风电功率影响因素以及数据集预处理

1.1 风电功率主要影响因子

风力发电机组的输出功率并不是仅由实时风速决定。风向决定风机偏航系统和来风之间的夹角，偏航偏差较大的时候风能利用效率下降；环境空气温度能够改变空气密度，低温环境之下空气密度更高，同等风速条件下风机捕获风能更多；空气湿度、大气气压同样会改变空气物理属性，间接干扰机组出力状态。 所以本次预测任务采用多变量输入机制，整合多项气象监测参数共同构建模型输入序列，规避单变量输入带来的信息缺失问题，实现下一时刻风电功率的单步预测。

1.2 原始数据清洗

风电场现场传感设备容易受到电磁干扰、设备故障影响，采集到的数据会存在缺失数值、极端异常数值。首先开展异常样本筛查，剔除超出风机额定出力、风速监测异常的无效样本；针对短时间缺失的数据采用邻近时刻插值补齐；长时间的数据空缺片段直接进行舍弃，防止错误样本干扰模型的特征学习过程。

1.3 数据标准化处理

风速、温度、湿度各个输入特征物理量纲、数值区间差距悬殊，如果直接送入神经网络训练，数值量级较大的变量会压制其余特征的权重。因此全部输入特征执行归一化处理，统一映射至固定数值区间，消除量纲差异带来的负面影响。完成归一化之后按照时序顺序划分训练样本、验证样本以及测试样本，构造滑动时间窗口生成多变量时序样本，确定历史观测时长，模型输出为未来单个时刻的风电功率数值，完成单步预测样本构造。

2 BiTCN‑LSTM 预测模型整体架构

本次研究的混合预测模型分为多变量输入层、BiTCN 双向特征提取层、LSTM 时序依赖学习层、全连接输出层四大组成部分，整体采用先空间特征提取、再时序深度挖掘的层级结构。

2.1 BiTCN 双向时间卷积网络

普通单向时间卷积网络依靠膨胀卷积扩大感受野，读取历史时间节点当中多变量之间的局部关联，但是只能够从前至后解析时序。风电序列具备较强的不确定性，当下时刻的功率变化既受历史气象条件影响，同样和临近后续时刻的气象变化趋势存在关联。

BiTCN 搭建前向卷积分支以及反向卷积分支，前向分支读取从过去至当前时刻的时序信息；反向分支将输入序列反转之后执行卷积运算，获取逆向时序特征。两个分支独立设置多层膨胀卷积层，依靠不同尺寸的卷积核抓取短时波动、中期变化趋势等多尺度特征。双向分支提取完成之后把特征信息进行合并，完整保留多变量输入内部的浅层关联，为后续时序网络提供完备的特征向量。双向卷积结构可以更好识别阵风、风速突变这类特殊工况的前兆特征，克服单向卷积网络信息视角单一的缺陷。

2.2 LSTM 长短期记忆网络

经过 BiTCN 处理之后的融合特征依旧属于时间序列数据，风电出力变化存在长时间跨度的时序依赖性。传统循环神经网络在序列过长时容易出现梯度消失，难以保存早期时刻的特征信息。 LSTM 内部设置多门控结构，能够自主完成历史信息的留存、舍弃和更新，对长距离时序依赖有着优秀的适配能力。将双向卷积输出的多尺度特征送入 LSTM 网络，逐层挖掘气象参数演变趋势和风电功率之间复杂的非线性映射关系，滤除冗余特征，聚焦会引发功率起伏变化的关键时序信息。

2.3 输出层

LSTM 输出的深层时序特征接入全连接网络层，对特征进行整合映射，最终输出未来单个时间节点的风电功率预测数值，完成多变量条件下的单步预测任务。

3 模型训练流程

1. 将处理完毕的多变量时序训练样本输入 BiTCN‑LSTM 网络；
2. 网络经由双向卷积分支提取双向多尺度特征，之后依靠 LSTM 挖掘长期时序依赖，输出风电功率预测值；
3. 对比预测数值和实测真实功率之间的偏差，依靠反向传播机制逐层更新卷积层、循环网络内部权重参数；
4. 使用验证集观测模型的泛化性能，调整学习速率、滑动窗口长度、网络层数等超参数，规避过拟合现象；
5. 参数训练结束之后载入测试集样本，开展单步风电功率预测，评估模型综合预测性能。

4 仿真实验以及结果分析

4.1 实验环境以及对比模型

本次实验依托风电场现场采集的实测数据集开展测试，数据集包含长时间跨度下风速、风向、温度、湿度以及风电出力记录。为证明 BiTCN‑LSTM 模型的预测性能，选取 LSTM、TCN、TCN‑LSTM 作为对照组预测模型，所有对比模型使用一模一样的预处理数据集与超参数设置，保证对比条件公平。

4.2 预测评价指标

选用平均绝对误差、均方根误差、决定系数作为模型评价标准。平均绝对误差用来表征预测值和真实数值之间平均偏差水平；均方根误差对功率突变时的大幅度偏差更加敏感，可以评判模型应对剧烈波动工况的能力；决定系数越趋近于 1，则代表模型对于风电功率变化趋势的拟合效果越好。

4.3 整体预测结果对比

经过测试集仿真之后能够得到各项指标结果。单一 LSTM 模型只能够完成深层时序学习，缺少多变量浅层特征筛选功能，整体误差数值最高；TCN 单向卷积结构仅能够读取正向时序，对于突发性阵风工况适应性较差；TCN‑LSTM 混合模型性能优于两种单一网络，但缺失反向时序特征，在功率尖峰位置依旧存在明显偏移。

本文所提出 BiTCN‑LSTM 模型依靠双向时间卷积网络，同时读取正向、反向时序当中多维度气象变量的关联特征，可以精准捕捉风速突变前兆。各项误差指标均优于对照组模型，决定系数最高，整体曲线和实测功率曲线贴合程度更高。

4.4 平稳区间与突变区间分析

把测试样本划分成风电出力平稳区间和功率剧烈突变区间分别开展分析。在出力平稳阶段，各个模型均可以实现基础的趋势跟随，模型之间的性能差距较小。 当遇到阵风天气、风速急剧升降，风电功率产生剧烈震荡以及尖峰峰值的时候，对比模型普遍出现预测滞后、峰值低估或者高估的问题；BiTCN 双向卷积分支可以捕捉临近时间的变化征兆，快速响应气象参数突变，峰值拟合效果显著优于其余模型，证明双向结构对于非线性突变时序有着独特优势。

4.5 多变量输入的作用分析

为验证多变量输入的必要性，设置仅采用风速作为唯一输入变量的对照实验组。实验结果表明，单风速输入模式下模型预测误差明显上升。风向偏移、空气温湿度改变都会改变风机风能利用效率，只依靠风速参数无法完整解释风电功率的波动成因。整合多项气象因子的多变量输入方式，可以丰富特征维度，提升模型的环境感知能力。

5 结论与展望

5.1 研究结论

针对风电功率随机性强、容易发生突变的特点，本文构建基于 BiTCN‑LSTM 的深度学习预测模型，采用风速、风向、温度、湿度多变量时序输入实现风电功率单步预测。双向时间卷积网络可以从正反两个方向提取多尺度浅层时序特征，LSTM 网络挖掘长时间跨度下的时序依赖特性，两类网络优势互补。实测数据集的对照实验证明： （1）相比 LSTM、TCN、TCN‑LSTM 模型，BiTCN‑LSTM 有着更低的预测误差，整体拟合性能更加出色； （2）双向卷积结构能够有效识别风速突变前兆，在风电功率剧烈波动、尖峰突变区间有着更加优秀的适配效果； （3）多气象变量共同输入可以完善输入特征，规避单风速输入带来的特征缺失，改善预测稳定性。

该模型结构简单清晰，适配多源传感监测数据，可以为短期风电单步预测提供可行的技术方案，助力电网调度和风电场运维工作。

5.2 后续研究展望

本次 BiTCN‑LSTM 模型依旧有着优化提升的空间，后续的研究工作可以从下面方向展开： （1）引入注意力机制，自主分配风速、风向、温湿度各个输入特征的权重，自动筛选不同工况之下的主导影响因子； （2）引入数据分解算法，将原始风电序列拆解成平稳分量和扰动分量，分分支开展预测之后叠加结果，降低强噪声数据带来的干扰； （3）拓展至多步 ahead 预测任务，研究长时间尺度风电出力预测方案； （4）使用智能优化算法自动搜寻网络最优超参数，减少人工调参工作量，进一步增强模型在不同风电场数据集当中的泛化能力。

📚第二部分——运行结果

部分代码：

% 此函数可以实现多变量多步输入，和多变量单步输入
% 多变量多步输入时，将n_out设置成大于1的多步预测
% 多变量单步输入时，将n_out设置为1，表示预测未来一步。
% # 关于此函数怎么用，下面详细举例介绍：
% # 构造数据，这个函数可以实现单输入单输出，单输入多输出，多输入单输出，和多输入多输出。
% # 举个例子：
% # 假如原始数据为,其中务必使得数据前n-1列都为特征，最后一列为输出
% # [0.74 0.8 0.23 750.75
% # 0.74 0.87 0.15 716.94
% # 0.74 0.87 0.15 712.77
% # 0.74 0.8 0.15 684.86
% # 0.74 0.8 0.15 728.79
% # 0.72 0.87 0.08 742.81
% # 0.71 0.99 0.16 751.3]
%
% #（多输入多输出为例），假如n_in = 2，n_out=2，scroll_window=1
% # 输入前2行数据的特征，预测未来2个时刻的数据，滑动步长为1。
% # 使用此函数后，数据会变成：
% # 【0.74 0.8 0.23 750.75 0.74 0.87 0.15 716.94 712.77 684.86
% # 0.74 0.87 0.15 716.94 0.74 0.87 0.15 712.77 684.86 728.79
% # 0.74 0.87 0.15 712.77 0.74 0.8 0.15 684.86 728.79 742.81】
%
% # 假如n_in = 2，n_out=1，scroll_window=2
% # 输入前2行数据的特征，预测未来1个时刻的数据，滑动步长为2。
% # 使用此函数后，数据会变成：
% # 【0.74 0.8 0.23 750.75 0.74 0.87 0.15 716.94 712.77
% # 0.74 0.87 0.15 712.77 0.74 0.8 0.15 684.86 728.79
% # 0.74 0.8 0.15 728.79 0.72 0.87 0.08 742.81 751.3】

function res = data_collation(values, n_in, n_out, or_dim, scroll_window, num_samples)
for i = 1:num_samples
h1 = values(1+scroll_window*(i-1): scroll_window*(i-1)+n_in,1:or_dim);
res{i,1}= h1;
h2 = values(scroll_window*(i-1)+n_in+1 : scroll_window*(i-1)+n_in+n_out,end);
res{i,2} = h2;

end
end

🎉3参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

[1]张新生,贺凯璐.基于SSA-CNN的长距离矿浆管道临界流速预测[J].安全与环境学报, 2022.

[2]王华君,惠晶.基于CNN和LSSVM的人脸图像年龄估计方法[J].信息与电脑, 2017(7):3.DOI:10.3969/j.issn.1003-9767.2017.07.034.

[3]范高锋,王伟胜,刘纯,等.基于人工神经网络的风电功率预测[J].中国电机工程学报, 2008, 28(34):6.DOI:CNKI:SUN:ZGDC.0.2008-34-020.

[4]徐曼,乔颖,鲁宗相.短期风电功率预测误差综合评价方法[J].电力系统自动化, 2011.DOI:CNKI:SUN:DLXT.0.2011-12-005.

🎉第三部分——参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)

[1]张新生,贺凯璐.基于SSA-CNN的长距离矿浆管道临界流速预测[J].安全与环境学报, 2022.

[2]王华君,惠晶.基于CNN和LSSVM的人脸图像年龄估计方法[J].信息与电脑, 2017(7):3.DOI:10.3969/j.issn.1003-9767.2017.07.034.

[3]范高锋,王伟胜,刘纯,等.基于人工神经网络的风电功率预测[J].中国电机工程学报, 2008, 28(34):6.DOI:CNKI:SUN:ZGDC.0.2008-34-020.

[4]徐曼,乔颖,鲁宗相.短期风电功率预测误差综合评价方法[J].电力系统自动化, 2011.DOI:CNKI:SUN:DLXT.0.2011-12-005.

​​​​​​🌈第四部分——本文完整资源下载

资料获取，更多粉丝福利，MATLAB|Simulink|Python|数据|文档等完整资源获取

本文完整资源下载