典型文献
基于CNN-LSTM-lightGBM组合的超短期风电功率预测方法
文献摘要：
近年来,风电装机规模逐年增加,风电数据采集量呈现规模化增长,面对海量多维、强波动的风电数据,风电功率预测精度仍面临一定的挑战.为提高风电功率预测精度,提出了基于卷积神经网络(convolutional neural networks,CNN)-长短期记忆网络(long short-term memory,LSTM)和梯度提升学习(light gradient boosting machine,lightGBM)组合的超短期风电功率预测方法.首先,分别建立CNN-LSTM和lightGBM的风电功率超短期预测模型.其中,CNN-LSTM模型采用CNN对风电数据集进行特征处理,并将其作为LSTM模型的数据输入,从而建立CNN-LSTM融合的预测模型;然后,采用误差倒数法对CNN-LSTM和lightGBM的预测数据进行加权组合,建立CNN-LSTM-lightGBM组合的预测模型;最后,采用张北曹碾沟风电场的风电数据集,以未来4h风电功率为预测目标,验证了组合模型的有效性.预测结果表明:相较于其他3种单一模型,组合模型具有更高的预测精度.
文献关键词：
卷积神经网络(CNN);长短期记忆网络(LSTM);梯度提升学习(lightGBM);组合模型;风电功率预测
中图分类号：
作者姓名：
王愈轩;刘尔佳;黄永章
作者机构：
华北电力大学电气与电子工程学院,北京102206;国网湖北省武汉电力公司信息通信分公司,武汉430000
文献出处：
引用格式：
[1]王愈轩;刘尔佳;黄永章-.基于CNN-LSTM-lightGBM组合的超短期风电功率预测方法)[J].科学技术与工程,2022(36):16067-16074
A类：
B类：
lightGBM,超短期风电功率预测,装机规模,海量多维,convolutional,neural,networks,长短期记忆网络,long,short,term,memory,梯度提升,提升学习,gradient,boosting,machine,超短期预测,特征处理,倒数,预测数据,张北,风电场,4h,组合模型
AB值：
0.195939
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
