基于雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的風(fēng)電預(yù)測(cè)方法

劉永強(qiáng)，續(xù) 毅，賀永輝，柳文斌

（1.國(guó)網(wǎng)呂梁供電公司，山西 呂梁032200；2.山西合邦電力科技有限公司，山西 太原030006）

隨著能源短缺和環(huán)境問(wèn)題的日益突出，開(kāi)發(fā)可再生能源成為應(yīng)對(duì)該問(wèn)的重要舉措[1-3].可再生能源如風(fēng)電、光伏發(fā)電等在近年來(lái)得到快速發(fā)展，截止到2018年底，全球可再生能源總發(fā)電量（不包括水電）為2 480.4 TWh，比2017年增長(zhǎng)14.5%，其中風(fēng)力發(fā)電和光伏發(fā)電分別為1 270 TWh和584.6 TWh[4].中國(guó)的可再生能源總發(fā)電量（不包括水電）為640.7 TWh，其中風(fēng)力發(fā)電和光伏發(fā)電分別為367.7 TWh和180.2 TWh，可再生能源在未來(lái)一段時(shí)間內(nèi)還將繼續(xù)增長(zhǎng)[4].

越來(lái)越多的可再生能源接入電網(wǎng)，對(duì)電網(wǎng)帶來(lái)了新的挑戰(zhàn)[5-6].本文針對(duì)風(fēng)力發(fā)電展開(kāi)相關(guān)研究，風(fēng)電是一種具有間歇性和波動(dòng)性的可再生能源，這種特性對(duì)其并網(wǎng)、調(diào)度等帶來(lái)一定不利影響.風(fēng)力發(fā)電的預(yù)測(cè)技術(shù)成為緩解這種影響的一種有效方式，它可以根據(jù)風(fēng)力發(fā)電的預(yù)測(cè)數(shù)據(jù)進(jìn)行日前或?qū)崟r(shí)的調(diào)度，或利用儲(chǔ)能系統(tǒng)平抑其波動(dòng)性[7-9].

針對(duì)風(fēng)電的預(yù)測(cè)方法，國(guó)內(nèi)外已有諸多研究.差分滑動(dòng)平均自回歸模型（Autoregressive Integrated Moving Average model，ARIMA）是一種常見(jiàn)的時(shí)間序列預(yù)測(cè)模型[10，11]，文獻(xiàn)[12]提出了一種基于ARIMA模型的風(fēng)電預(yù)測(cè)方法，對(duì)模型的窗口長(zhǎng)度等進(jìn)行了系統(tǒng)選擇.相對(duì)于ARIMA模型，神經(jīng)網(wǎng)絡(luò)（Neural Networks，NN）模型在擬合變量之間的非線(xiàn)性關(guān)系方面具有優(yōu)勢(shì)，它是由輸入層、隱含層和輸出層組成的網(wǎng)絡(luò)，每個(gè)神經(jīng)細(xì)胞間的信息通過(guò)加權(quán)后傳遞給下一層，并進(jìn)行相關(guān)計(jì)算[13].通過(guò)對(duì)給定的輸入與輸出相對(duì)應(yīng)數(shù)據(jù)的進(jìn)行訓(xùn)練學(xué)習(xí)，可以得到細(xì)胞間的權(quán)重值，進(jìn)而擬合輸入與輸出之間的關(guān)系.文獻(xiàn)[14]提出了一種改進(jìn)神經(jīng)網(wǎng)絡(luò)的風(fēng)電預(yù)測(cè)方法，提高了收斂速度和預(yù)測(cè)精度.

針對(duì)NN模型在預(yù)測(cè)時(shí)無(wú)法計(jì)及較早之前的信息，循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）應(yīng)運(yùn)而生，它的特別之處在于在細(xì)胞上加入了循環(huán)結(jié)構(gòu)，通過(guò)該結(jié)構(gòu)來(lái)記憶較早之前的信息[15].長(zhǎng)短期記憶（Long Short-Term Memory，LSTM）神經(jīng)網(wǎng)絡(luò)是一種特殊的RNN，它將RNN的細(xì)胞結(jié)構(gòu)進(jìn)行了改進(jìn)，避免出現(xiàn)梯度消失或梯度膨脹的問(wèn)題[16-17].文獻(xiàn)[18]提出了一種考慮空間相關(guān)性采用LSTM的預(yù)測(cè)方法，考慮了將具有空間相關(guān)性的光伏與目標(biāo)電站的預(yù)測(cè)結(jié)合，提高了光伏預(yù)測(cè)的準(zhǔn)確性.文獻(xiàn)[19]提出了將小波分解與LSTM相結(jié)合的方法，在對(duì)風(fēng)電進(jìn)行分解的基礎(chǔ)上，利用LSTM分別對(duì)各個(gè)分量進(jìn)行預(yù)測(cè)建模.

以上的結(jié)構(gòu)均基于利用過(guò)去信息預(yù)測(cè)當(dāng)前值，雙向長(zhǎng)短期記憶（Bidirectional LSTM，BiLSTM）神經(jīng)網(wǎng)絡(luò)對(duì)LSTM進(jìn)行了改進(jìn)，增加了反向隱含層，既可以在前向隱含層利用過(guò)去數(shù)據(jù)，又可以在反向隱含層利用未來(lái)數(shù)據(jù)，這樣得到的預(yù)測(cè)結(jié)果更加準(zhǔn)確[20].文獻(xiàn)[21]提出了利用雙向LSTM對(duì)蛋白質(zhì)殘基相互作用進(jìn)行預(yù)測(cè)的方法，將預(yù)測(cè)精度提高10%以上.

本文基于BiLSTM對(duì)風(fēng)力發(fā)電進(jìn)行預(yù)測(cè)，首先介紹了LSTM和BiLSTM的基本原理，其次介紹了利用BiLSTM進(jìn)行風(fēng)電預(yù)測(cè)的基本框架結(jié)構(gòu)，及預(yù)測(cè)的評(píng)價(jià)指標(biāo).最后在MATLAB中編寫(xiě)仿真程序，并與多種預(yù)測(cè)方法進(jìn)行了對(duì)比，用實(shí)際算例表明了仿真結(jié)果的正確性.

1 神經(jīng)網(wǎng)絡(luò)模型

1.1 單向LSTM神經(jīng)網(wǎng)絡(luò)

在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)中，預(yù)測(cè)所使用的歷史數(shù)據(jù)是預(yù)測(cè)時(shí)刻前n個(gè)時(shí)刻的信息，每次預(yù)測(cè)所用的歷史信息是向前滾動(dòng)的，但是在預(yù)測(cè)時(shí)這種方法會(huì)造成對(duì)較早以前的信息忽略的情況.RNN的設(shè)計(jì)則可以避免這一問(wèn)題，它將隱含層的輸出值返回輸入當(dāng)中，成為一個(gè)循環(huán)的單元，這種學(xué)習(xí)訓(xùn)練過(guò)程可以將較早的信息作為預(yù)測(cè)參考因素.RNN的典型單元如圖1所示，左側(cè)為其在神經(jīng)網(wǎng)絡(luò)中的表示方法，右側(cè)為其在時(shí)間軸上的展開(kāi)形式，可見(jiàn)，在t時(shí)刻的輸入細(xì)胞的信息中包含了t-1時(shí)刻的輸出值，并依次進(jìn)行下去.

圖1 RNN的循環(huán)結(jié)構(gòu)Fig.1 The loop structure of RNN

RNN在每一個(gè)時(shí)刻的訓(xùn)練都計(jì)及了過(guò)去所有時(shí)刻的部分信息，并將該時(shí)刻的信息傳遞下去.但是，RNN的神經(jīng)單元只包含一個(gè)函數(shù)，如圖2（a）所示，每經(jīng)過(guò)一個(gè)時(shí)刻，就要在原來(lái)函數(shù)的基礎(chǔ)上疊加函數(shù)，多次疊加則會(huì)造成梯度消失或者梯度膨脹問(wèn)題，即損失了較早之前的信息或者之前的信息占比非常大.

LSTM是一種特殊的RNN，由于獨(dú)特的設(shè)計(jì)結(jié)構(gòu)，LSTM適合于處理和預(yù)測(cè)時(shí)間序列中間隔和延遲非常長(zhǎng)的重要事件.LSTM通過(guò)設(shè)計(jì)來(lái)避免長(zhǎng)期依賴(lài)問(wèn)題.如前所述，所有RNN都具有一種重復(fù)神經(jīng)網(wǎng)絡(luò)模塊的鏈?zhǔn)降男问?，在?biāo)準(zhǔn)的RNN中，這個(gè)重復(fù)的模塊只有一個(gè)非常簡(jiǎn)單的結(jié)構(gòu)，例如一個(gè)tanh層.不同于單一單元結(jié)構(gòu)，LSTM的單元結(jié)構(gòu)有四個(gè)組成部分，四個(gè)部分之間存在交互，分別是遺忘門(mén)、輸入門(mén)、信息更新和輸出門(mén)，如圖2（b）所示.

圖2 兩種類(lèi)型的神經(jīng)單元對(duì)比Fig.2 Comparison of two types of neural units

LSTM的第一個(gè)組成部分為遺忘門(mén)，圖2（b）中①所示，即通過(guò)sigmoid函數(shù)從上一個(gè)時(shí)刻的輸出和本時(shí)刻的輸入值中丟棄部分信息，其表達(dá)式為：

第二個(gè)組成部分為輸入門(mén)，圖2（b）中②所示，該部門(mén)的功能是確定需要更新哪些信息，輸入門(mén)的輸出值分別通過(guò)sigmoid和tanh函數(shù)進(jìn)行選擇過(guò)濾，需要更新的信息的表達(dá)式如下.

經(jīng)過(guò)σ函數(shù)：

經(jīng)過(guò)tanh函數(shù)：

第三部分為信息更新，圖2（b）中③所示，它將遺忘門(mén)和上一時(shí)刻的信息更新值相乘并與輸出門(mén)的兩個(gè)值的乘積相加，細(xì)胞狀態(tài)的更新公式為：

第四個(gè)組成部分為輸出門(mén)，這個(gè)輸出值基于以上三個(gè)步驟.首先，由sigmoid函數(shù)選擇輸入門(mén)的部分信息；其次，利用tanh函數(shù)將更新后的信息進(jìn)行選擇過(guò)濾；最后，將兩個(gè)選擇后的信息相乘得到該時(shí)刻的細(xì)胞輸出值，其表達(dá)式如下.

經(jīng)過(guò)σ函數(shù)：

以上各公式中，xt為時(shí)刻t的輸入值，ht-1為t-1時(shí)刻的輸出值，Ct為細(xì)胞狀態(tài)更新值，W[·]為權(quán)重值，b[·]為偏置值.

本文選取神經(jīng)網(wǎng)絡(luò)中常用的sigmoid函數(shù)作為σ函數(shù)，tanh函數(shù)也為神經(jīng)網(wǎng)絡(luò)中的常用函數(shù)，其表達(dá)式分別如（7）和（8）所示.

1.2 雙向LSTM神經(jīng)網(wǎng)絡(luò)

單向LSTM具有處理和預(yù)測(cè)時(shí)間序列中間隔和延遲非常長(zhǎng)的重要事件的特點(diǎn)，但是它只能考慮過(guò)去數(shù)據(jù)的信息來(lái)進(jìn)行預(yù)測(cè)，如用過(guò)去幾個(gè)時(shí)刻的天氣預(yù)報(bào)預(yù)測(cè)數(shù)據(jù)，預(yù)測(cè)可再生能源發(fā)電的功率.這將導(dǎo)致只利用的距離預(yù)測(cè)時(shí)刻最近的若干個(gè)歷史數(shù)據(jù)，忽略了較早的歷史數(shù)據(jù)包含的信息.雙向LSTM具有利用過(guò)去和未來(lái)數(shù)據(jù)的信息進(jìn)行學(xué)習(xí)的能力，即可以利用過(guò)去和未來(lái)的天氣預(yù)報(bào)預(yù)測(cè)數(shù)據(jù)來(lái)推導(dǎo)可再生能源發(fā)電功率.雙向LSTM的示意圖如圖3所示，從下向上依次為輸入層、前向?qū)樱‵orward）、后向?qū)樱˙ackword）和輸出層.雙向LSTM的基本思想是每一個(gè)訓(xùn)練的序列向前和向后分別是兩個(gè)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)，而且這兩個(gè)層都連接著輸入層和輸出層.輸出值綜合了過(guò)去（前向）和未來(lái)（反向）的信息，在風(fēng)電功率預(yù)測(cè)中，則是過(guò)去和未來(lái)的風(fēng)速預(yù)測(cè)數(shù)據(jù)，根據(jù)風(fēng)速的預(yù)測(cè)信息進(jìn)而實(shí)現(xiàn)對(duì)風(fēng)電功率的預(yù)測(cè).

圖3 BiLSTM示意圖Fig.3 Schematic diagram of BiLSTM

雙向LSTM的每一個(gè)時(shí)刻都有8個(gè)獨(dú)特的權(quán)重值被重復(fù)利用，8個(gè)權(quán)重值分別對(duì)應(yīng)：輸入到前向和后向隱含層的權(quán)重值（w1，w4），前向隱含層到前向隱含層（w2，w3），后向隱含層到后向隱含層（w6，w7），前向和后向隱含層到輸出層（w5，w8）.需要注意的是，前向隱含層和后向隱含層之間沒(méi)有信息傳遞，這樣可以避免兩個(gè)隱含層的相鄰兩個(gè)時(shí)刻之間形成死循環(huán).其計(jì)算方式為：在前向?qū)訌?時(shí)刻到t時(shí)刻正向計(jì)算一遍，得到并保存每個(gè)時(shí)刻向前隱含層的輸出；在后向?qū)友刂鴷r(shí)刻t到時(shí)刻1反向計(jì)算一遍，得到并保存每個(gè)時(shí)刻向后隱含層的輸出.最后在每個(gè)時(shí)刻結(jié)合前向?qū)雍秃笙驅(qū)拥南鄳?yīng)時(shí)刻輸出的結(jié)果得到最終的輸出，數(shù)學(xué)表達(dá)式如下

2 風(fēng)電預(yù)測(cè)模型及評(píng)價(jià)指標(biāo)

2.1 雙向LSTM神經(jīng)網(wǎng)絡(luò)風(fēng)電預(yù)測(cè)模型

利用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)，通常利用歷史數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，建立輸入與輸出的關(guān)系，訓(xùn)練完成后，利用現(xiàn)有輸入數(shù)據(jù)預(yù)測(cè)未來(lái)的數(shù)據(jù).本文通過(guò)對(duì)歷史數(shù)值天氣預(yù)報(bào)（NWP）風(fēng)速數(shù)據(jù)與風(fēng)電功率的歷史SCADA數(shù)據(jù)進(jìn)行分析，使風(fēng)電的功率與NWP風(fēng)速數(shù)據(jù)建立聯(lián)系.由于利用過(guò)去的風(fēng)速數(shù)據(jù)信息預(yù)測(cè)風(fēng)電功率具有一定的局限性，因此，雙向LSTM利用過(guò)去的風(fēng)速數(shù)據(jù)信息和未來(lái)的風(fēng)速數(shù)據(jù)信息進(jìn)行預(yù)測(cè)得到的風(fēng)電功率會(huì)更加準(zhǔn)確.

基于雙向LSTM的新能源日前預(yù)測(cè)方法的框圖如圖4所示，首先對(duì)歷史NWP風(fēng)速預(yù)測(cè)數(shù)據(jù)和歷史SCADA風(fēng)電功率數(shù)據(jù)進(jìn)行處理，提取對(duì)應(yīng)的值；其次，建立雙向LSTM預(yù)測(cè)模型，將對(duì)應(yīng)數(shù)據(jù)輸入預(yù)測(cè)模型進(jìn)行訓(xùn)練；再利用評(píng)價(jià)指標(biāo)對(duì)預(yù)測(cè)模型進(jìn)行評(píng)價(jià)并選擇最佳模型；最后，將日前NWP的風(fēng)速預(yù)測(cè)數(shù)據(jù)輸入訓(xùn)練好的LSTM神經(jīng)網(wǎng)絡(luò)，得到風(fēng)電功率的日前預(yù)測(cè)值.

在預(yù)測(cè)模型中，用于訓(xùn)練的數(shù)據(jù)為一年的風(fēng)速和風(fēng)電數(shù)據(jù)，訓(xùn)練時(shí)輸入層為歷史NWP風(fēng)速預(yù)測(cè)數(shù)據(jù)，輸入層的個(gè)數(shù)為2 m+1個(gè)，輸出層為歷史SCADA風(fēng)電功率數(shù)據(jù)，個(gè)數(shù)為1個(gè)，即歷史NWP風(fēng)速數(shù)據(jù)：St-m，St-2，St-1，St，St+1，St+2，St+m，其單位為m/s；歷史SCADA風(fēng)電功率數(shù)據(jù)：St，其單位為kW.由于過(guò)去和未來(lái)的風(fēng)速數(shù)據(jù)與此時(shí)刻的風(fēng)電功率之間的關(guān)系不同，輸入層的數(shù)量需要通過(guò)敏感度分析確定，神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目的是學(xué)習(xí)輸入變量和輸出變量之間的關(guān)系，因此通過(guò)對(duì)輸入層個(gè)數(shù)敏感度的分析，并以預(yù)測(cè)精度為指標(biāo)對(duì)輸入層個(gè)數(shù)進(jìn)行評(píng)價(jià)，進(jìn)而選擇最佳的輸入層個(gè)數(shù).

2.2 評(píng)價(jià)指標(biāo)

不同預(yù)測(cè)模型的新能源預(yù)測(cè)結(jié)果是不同的，如BP神經(jīng)網(wǎng)絡(luò)、LSTM神經(jīng)網(wǎng)絡(luò)、雙向LSTM神經(jīng)網(wǎng)絡(luò)等，此外，輸入層個(gè)數(shù)也會(huì)影響預(yù)測(cè)精度.本小節(jié)總結(jié)了以下幾種常用的指標(biāo)對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)，并在仿真結(jié)果中對(duì)三種指標(biāo)的適用性進(jìn)行分析.

圖4 BiLSTM風(fēng)電預(yù)測(cè)框圖Fig.4 Wind power forecast block diagram of BiLSTM

1）均方根誤差評(píng)價(jià)指標(biāo)，指標(biāo)越小，預(yù)測(cè)誤差越小.

2）對(duì)稱(chēng)均值絕對(duì)值百分比誤差，該指標(biāo)的值越小表示預(yù)測(cè)誤差越小.

3）希爾不等系數(shù)，它介于0-1之間，數(shù)值越小表示預(yù)測(cè)誤差越小.

3 算例分析

本文采用某風(fēng)電場(chǎng)一年的數(shù)據(jù)對(duì)所提出的方法進(jìn)行仿真驗(yàn)證，采樣時(shí)間為15 min.本節(jié)截取了一段時(shí)間的數(shù)據(jù)，如圖5所示，為標(biāo)幺化后的風(fēng)速和風(fēng)電功率曲線(xiàn)，風(fēng)速和風(fēng)電功率具有很強(qiáng)的相關(guān)性.本節(jié)將對(duì)BILSTM模型所采用預(yù)測(cè)數(shù)據(jù)個(gè)數(shù)的敏感度進(jìn)行分析，并對(duì)不同方法下的風(fēng)電預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，根據(jù)評(píng)價(jià)指標(biāo)選擇最佳模型.

圖5 風(fēng)速與風(fēng)電功率曲線(xiàn)Fig.5 Wind speed and wind power curve

隱含層的神經(jīng)單元的個(gè)數(shù)不僅會(huì)影響神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效果，還會(huì)影響訓(xùn)練時(shí)間，因此，首先需要確定隱含層神經(jīng)單元的個(gè)數(shù).本文以RMSE為指標(biāo)對(duì)不同神經(jīng)單元個(gè)數(shù)進(jìn)行了仿真分析，如圖6所示，由于以1個(gè)單元為間隔的RMSE值和仿真時(shí)間相差不明顯，本文以5為單位進(jìn)行仿真.隨著神經(jīng)單元數(shù)量的增加，訓(xùn)練時(shí)間的增長(zhǎng)趨勢(shì)加快，但學(xué)習(xí)精度減小的趨勢(shì)變慢，因此，本文中選取隱含層神經(jīng)單元的個(gè)數(shù)為35.

圖6 隱含層神經(jīng)單元個(gè)數(shù)與時(shí)間、RMSE關(guān)系Fig.6 The relationship between the number of neural units in the hidden layer and time and RMSE

如2.1節(jié)中所述，用于預(yù)測(cè)風(fēng)電功率的風(fēng)速預(yù)測(cè)值數(shù)據(jù)個(gè)數(shù)2 m+1是不確定的，需要以2.2節(jié)中的評(píng)價(jià)指標(biāo)對(duì)預(yù)測(cè)數(shù)據(jù)個(gè)數(shù)進(jìn)行敏感度分析.如圖7所示，本文對(duì)不同指標(biāo)下的風(fēng)速預(yù)測(cè)值個(gè)數(shù)的敏感度進(jìn)行了對(duì)比分析.縱軸為指標(biāo)的大小，橫軸為2m+1中的m.由圖可見(jiàn)，指標(biāo)RMSE與TIC、SMAPE相比，當(dāng)m變化時(shí)，RMSE沒(méi)有反復(fù)的上下波動(dòng)，有先減小后增加的趨勢(shì)；TIC次之，但其波動(dòng)幅度不大，也有先減小后增加的趨勢(shì)；SMAPE的趨勢(shì)最不明顯，出現(xiàn)多次波動(dòng)，相對(duì)難以確定最佳的m.可間三種評(píng)價(jià)指標(biāo)中，RMSE的評(píng)價(jià)效果最理想，更適用于本文對(duì)風(fēng)電預(yù)測(cè)結(jié)果的評(píng)價(jià).RMSE和TIC的最小值均出現(xiàn)在m=19的時(shí)候，而SMAPE在m=19出的值也相對(duì)較低，因此，在本文的算例中，當(dāng)m=19時(shí)，基于BiLSTM的風(fēng)電功率預(yù)測(cè)效果最好.

圖7 不同m下的指標(biāo)對(duì)比Fig.7 Index comparison under different m

如圖8所示，為BiLSTM的學(xué)習(xí)過(guò)程，橫軸為迭代次數(shù)，縱軸為指標(biāo)RMSE.由圖可見(jiàn)，可以將學(xué)習(xí)過(guò)程分為三個(gè)階段，125次之前，隨著迭代次數(shù)增加，RMSE迅速減小并帶有較大的波動(dòng)性；253次之前，出現(xiàn)了明顯的趨勢(shì)變化，波動(dòng)幅度減小，趨勢(shì)更加平滑，但RMSE仍有較大的減?。?53代之后，變化趨勢(shì)減緩，RMSE的變化很小.整個(gè)訓(xùn)練過(guò)程的迭代時(shí)間為123 s.如圖9所示，為m=19時(shí)，BiLSTM的風(fēng)電功率預(yù)測(cè)值與實(shí)際值的曲線(xiàn)，兩者相差較小，均方根誤差RMSE為0.069.

表1為不同風(fēng)電預(yù)測(cè)方法的指標(biāo)對(duì)比，對(duì)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，其預(yù)測(cè)效果是最差的，與LSTM和BiLSTM相比，RMSE和TIC指標(biāo)均大一倍以上，SMAPE相差較小.LSTM次之，BiLSTM的效果最好.以RMSE、TIC和SMAPE指標(biāo)衡量，BiLSTM效果相對(duì)于LSTM分別提高了10.25%、6.71%和12.18%.

圖8 BiLSTM的學(xué)習(xí)迭代過(guò)程Fig.8 Iterative learning process of BiLSTM

圖9 風(fēng)電實(shí)際值與預(yù)測(cè)值曲線(xiàn)Fig.9 Curve of actual and forecast wind power values

表1 不同方法的指標(biāo)對(duì)比Tab.1 Comparison of indicators of different methods

4 結(jié)論

本文提出了利用BiLSTM進(jìn)行風(fēng)電功率預(yù)測(cè)的方法，介紹了LSTM和BiLSTM的數(shù)學(xué)模型，建立了利用風(fēng)速預(yù)測(cè)數(shù)據(jù)進(jìn)行風(fēng)電功率預(yù)測(cè)的模型及其評(píng)價(jià)指標(biāo).以實(shí)際的風(fēng)電數(shù)據(jù)對(duì)所提方法進(jìn)行了仿真驗(yàn)證，得到了BiLSTM隱含層的最佳神經(jīng)單元個(gè)數(shù)；計(jì)算了不同風(fēng)速個(gè)數(shù)對(duì)預(yù)測(cè)結(jié)果的影響并得到最佳風(fēng)速個(gè)數(shù)；對(duì)比了不同預(yù)測(cè)方法的預(yù)測(cè)效果，BiLSTM效果相對(duì)于LSTM分別提高了10.25%、6.71%和12.18%.該方法為風(fēng)電的預(yù)測(cè)打下了理論基礎(chǔ)，對(duì)風(fēng)電場(chǎng)的調(diào)度、平滑功率波動(dòng)等實(shí)際應(yīng)用提供了一定的依據(jù).