基于特征选取和循环神经网络的风电场功率超短期预测方法与流程

本发明涉及风力发电
技术领域：
，具体涉及一种基于特征选取和循环神经网络的风电场功率超短期预测方法。
背景技术：
：在传统化石能源急剧减少和环境污染问题日益突出的背景下，风能成为了当前技术最成熟、发展速度最快的可再生能源。然而，风力发电具有很强的间歇性、随机性和不确定性。超短期预测是指对风电场输出功率提前0-4小时，进行的时间分辨率不小于15分钟的预测。其预测结果主要用于电网的调频优化和旋转备用容量调整，以及在线机组最优组合与负荷经济调度。超短期风电场功率预测方法主要有统计方法、智能学习方法。其中，统计方法是从统计学角度对历史数据进行分析，通过建立数值天气预报数据、风电场历史观测数据、运行数据和风电场输出功率之间的对应映射关系，实现未来时刻风电功率的预测。统计方法常用基于时间序列的建模方法，常见基于时间序列的的建模方法有自回归滑动平均(arma)模型、卡尔曼滤波法、马尔科夫预测法等。智能学习方法是一种综合性的方法。其本质是基于数据驱动的算法，通过建立学习模型在输入和输出变量间建立非线性映射关系。该类方法依赖大量的数据，使用数据可以是风电场历史运行数据，也可以是数值天气预报(nwp)数据，或两种数据同时使用。常见的人工智能方法有：bp神经网络、支持向量机、径向基函数(rbf)神经网络等。在目前的预测方法中，神经网络方法因其良好的自学习能力和预测能力，在风电场功率预测中得到了最多、最广泛的应用。然而，传统神经网络在预测时输入和输出间都没有考虑数据的时序性及相关性。例如，基于风电场历史数据的风电场功率预测，使用传统神经网络预测未来多个时刻点时，后面时刻的预测输出数据并没有考虑到前面时刻的预测输出，每个时刻点的预测输出都是独立的，但理论上预测值间具有关联性。因此，在建立预测模型时有必要使用一种可以计及预测输入、输出时序性和相关性的预测方法。此外，对于风电功率预测模型，模型输入特征的选取同样会影响预测精度。在基于历史数据进行风电功率预测时，为了提高预测精度，通常不会只使用历史风速或风电功率作为单一变量输入预测模型，还会同时考虑温度、空气湿度和大气压等气象数据。然而，输入变量越多的模型其预测精确度并非越高，相反过多的输入会导致预测模型更加复杂，出现过学习、维度灾等问题。换句话说，有些输入变量对于输出来说可能是无用的、冗余的。因此，对于历史数据输入量较多的预测模型，有必要对输入数据进行降维以选择关键的影响因素。基于上述缺陷和不足，有必要提出一种方法，来克服现有问题。技术实现要素：针对上述问题，本发明提供了一种基于特征选取和循环神经网络的风电场功率超短期预测方法，根据风电场历史发电功率，对未来风电场发电功率进行预估，便于工作人员做好对应的准备，提前预知发电量，对电网供电提前做好调整，经济智能。为达到上述目的，本发明采用的具体技术方案如下：一种基于特征选取和循环神经网络的风电场功率超短期预测方法，其特征在于按照以下步骤进行：s1：根据历史t个时刻风电场功率值，确定该t个时刻影响风电场功率值的气象因素，将所有气象因素作为候选特征，并收集t个时刻对应候选特征的历史数据，得到候选特征数据集f；s2：基于条件互信息特征选取方法，对候选特征集f中的候选特征进行特征选取，得到已选取特征数据集s；s3：把已选取特征数据集s作为基于循环神经网络的预测模型的输入数据，进入步骤s4；s4：利用步骤s3得到的预测模型输入数据中z％作为预测模型的训练数据样本，剩余(1-z)％作为预测模型预测效果的测试数据样本；对基于循环神经网络的预测模型进行训练和测试；s5：设定风电场功率的预测时间，将该预测时间点之前的所有候选特征的历史数据作为风电场功率预测输入数据，将该风电场功率预测输入数据输入到步骤s4得到的基于循环神经网络预测模型中对风电场功率进行预测，并输出风电功率预测结果。通过上述方案，可以提前预知风电场的发电功率，便于工作人员对下一时刻的发电量进行检验，当实际发电量和预估值存在较大的差值时，通过风电场预估发电功率便于人们发现风电场设备问题，并及时补救。并且提前预知发电功率，可以对电网作出对应的调整，保证电网供电，提高供电可靠性。进一步地，在步骤s1中所述的气象因素至少包括：风速、风向、大气温度、大气压力和空气密度；其中候选特征集f为：wpt-t+1，wpt-t+2，…，wpt-1，wpt表示历史t个时刻的风电场功率向量值；wst-t+1，wst-t+2，…，wst-1，wst表示历史t个时刻的风速向量值；wdst-t+1，wdst-t+2，…，wdst-1，wdst表示历史t个时刻的风向正弦向量值；wdct-t+1，wdct-t+2，…，wdct-1，wdct表示历史t个时刻的风向余弦向量值；att-t+1，att-t+2，…，att-1，att表示历史t个时刻的大气温度向量值；apt-t+1，apt-t+2，…，apt-1，apt表示历史t个时刻的大气压力向量值；adt-t+1，adt-t+2，…，adt-1，adt表示历史t个时刻的空气密度向量值。根据气象因素，来对风电场发电功率进行预估，可靠性高。再进一步描述，在步骤s2中，设t为当前时刻，令第一个预测时刻t+1的风电场功率值为作为目标变量c，其中基于条件互信息特征选取方法，对候选特征集f中的候选特征进行特征选取的具体步骤为：s21：从候选特征集f中选取k个特征，根据历史t个时刻候选特征的历史数据，得到目标变量c，并令候选特征集f作为候选特征数据集，其中f＝{f1，f2，…fd×t}，d×t为特征数量；s22：令已选取特征数据集已选取特征数m＝0；s23：计算候选特征集f中所有候选特征与目标变量c的互信息量i(c；fi)，并按照互信息量i(c；fi)从大到小的顺序，对所对应的候选特征进行排序；其中，互信息量i(c；fi)计算公式为：其中，i(c；fi)表示目标变量c和候选特征fi之间的互信息量，p(c)和p(a)分别表示目标变量c和候选特征fi的边缘分布函数，p(c,a)表示目标变量c和候选特征fi的联合概率分布函数；s24：选取互信息量i(c；fi)最大所对应的候选特征fi作为第一个选取的特征，fi∈f；把该候选特征fi从候选特征数据集f中移入已选取特征数据集s中：f＝f\{fi}，s＝s∪{fi}，m＝m+1；s25：选取最大互信息量特征fa选取公式对下一个特征进行选取，其中最大互信息量特征选取公式为：其中i(c；fi|fj)表示在给定候选特征fj已知的条件下，目标变量c和候选特征fi之间的条件互信息量；其中其中，p(c,a,b)为在给定候选特征fj已知的条件下，目标变量c和候选特征fi联合概率分布函数，p(c,ab)、p(cb)和p(ab)为给定候选特征fj已知的条件下，目标变量c和候选特征fi条件概率分布函数；条件互信息i(c；fi|fj)就是用于表示目标变量c中有候选特征fi的信息，且这些信息对给定候选特征fj未知。s26：把最大互信息量特征fa从候选特征集f移入已选取特征数据集s中：f＝f\{fa}，s＝s∪{fa}，m＝m+1；s27：如果已选取特征数m等于从候选特征集f中选取特征数量k，特征选取完成，进入步骤s28，否则返回步骤s25；s28：输出已选取特征数据集s。其中，特征选取数量k是根据步骤s25中新选取的特征带来的信息量来判断是否还需要选取新的特征。如果步骤s25中新选取的特征fa给已选取特征数据集s带来信息近似为0，即的值近似等于0，说明已选取特征数据集s包含了候选特征集f中剩余候选特征集的所有信息，这时的s中的特征就是最终选取的特征。再进一步描述，在步骤s4中，采用随时间反向传播算法对基于循环神经网络的预测模型进行训练，具体按照以下步骤进行：s41：初始化隐藏层到输出层的权重矩阵v和；隐藏层到隐藏层的权重矩阵w；设在三层循环神经网络中，输入层、隐藏层、输出层的神经元数分别为n1、n2、n3；则记{…,xt-2,xt-1,xt,…}为输入集，{…,nt-2,nt-1,nt,…}为隐藏单元的输入集，{…,st-2,st-1,st,…}为隐藏单元的输出集，{…,yt-2,yt-1,yt,…}为输出集；输入层与隐藏层之间的连接权值为{…,ut-2,ut-1,ut,…},隐藏层前后之间神经元st的连接权值为{…,wt-2,wt-1,wt,…}，隐藏层与输出层之间的连接权值为{…,vt-2,vt-1,vt,…}；在循环神经网络预测模型计算过程中，隐藏层的计算公式为：st＝f1(wst-1+uxt)其中，xt表示t时刻的输入向量；st表示t时刻隐藏层的输出向量；u是输入层到隐藏层的权重矩阵，随机生成；w是隐藏层到隐藏层的权重矩阵，随机生成；f1是隐藏层激活函数，在隐藏层阶段可取sigmoid函数；其中sigmoid函数有现有技术，在此不作赘述。在循环神经网络预测模型计算过程中，输出层的计算公式为：yt＝f2(vst)其中，v为隐藏层到输出层的权重矩阵，随机生成；f2是输出层激活函数；在输出层阶段可取sigmoid函数。s42：将隐藏层的计算公式循环带入输出层的计算公式，前向计算网络中每个神经元的输出值：yt＝f2(vst)＝f2(vf1(wst-1+uxt))＝f2(vf1(wf1(wst-2+uxt-1)+uxt))＝f2(vf1(wf1(wf1(wst-3+uxt-2)+uxt-1)+uxt))＝…上述公式前向计算神经元的输出值时，需要按照时序先后进行。因为循环神经网络在某一时刻的输出值yt不仅受当前时刻输入xt,影响，还受循环层中上一时刻隐藏层的状态st-1影响。基于生成的权值矩阵u、w、v以及st＝f1(wst-1+uxt)和yt＝f2(vst)即可按照时序依次计算循环神经网络的输出集{…,yt-2,yt-1,yt,…}。步骤4.3：反向计算网络中每个神经元的误差值；首先定义神经网络的输出集与期望输出集的误差为：其中epyt为期望输出集{…,epyt-2,epyt-1,epyt,…}的元素；步骤4.4：计算网络中每个元素权重的梯度；步骤4.5：使用梯度下降法分别对输入层到隐藏层的权重矩阵u、隐藏层到隐藏层的权重矩阵w、隐藏层到输出层的权重矩阵v进行更新,；步骤4.6：检查网络总误差是否达到精度要求，若达到，则结束训练，输出神经网络训练参数结果；否则返回步骤4.2；再进一步描述，步骤s44中计算网络中每个元素权重的梯度具体内容为：计算隐藏层到输出层的权重矩阵v中每个权重的梯度；结合输出层的计算公式yt＝f2(vst)应用链式法得到：当函数f2选择为sigmoid函数时，存在：则神经网络的输出集与期望输出集的误差e对隐藏层到输出层的权重矩阵v中每个权重元素的梯度为：计算隐藏层到隐藏层的权重矩阵w中每个权重元素的梯度：首先最靠前时刻t-n时，神经网络的输出集与期望输出集的误差e对该最靠前时刻的后一时刻隐藏层到隐藏层的权重矩阵wt-n+1的梯度，由隐藏层的计算公式st＝f1(wst-1+uxt)和输出层的计算公式yt＝f2(vst)可知st-n＝f1(wt-nst-n-1+ut-nxt-n)＝f1(ut-nxt-n)st-n+1＝f1(wt-n+1st-n+ut-n+1xt-n+1)st-n+2＝f1(wt-n+2st-n+1+ut-n+2xt-n+2)st-n+3＝f1(wt-n+3st-n+2+ut-n+3xt-n+3).......由链式法则可得出任一时刻t-i时刻隐藏层的输出st-i对最靠前时刻的后一时刻隐藏层到隐藏层的权重矩阵wt-n+1的梯度；......而神经网络的输出集与期望输出集的误差e对最靠前时刻的后一时刻隐藏层到隐藏层的权重矩阵wt-n+1的梯度则可以表示为同样的，可依次求得神经网络的输出集与期望输出集的误差e对所有隐藏层到隐藏层的权重矩阵w中权重矩阵元素的梯度；计算输入层到隐藏层的权重矩阵u中每个权重元素的梯度：首先最靠前时刻t-n时，神经网络的输出集与期望输出集的误差e对该时刻输入层到隐藏层的权重矩阵ut-n的梯度，由隐藏层的计算公式st＝f1(wst-1+uxt)和输出层的计算公式yt＝f2(vst)可知yt-n＝f2(vt-nf1(wt-nst-n-1+ut-nxt-n))＝f2(vt-nf1(ut-nxt-n))；st-n＝f1(wt-nst-n-1+ut-nxt-n)＝f1(ut-nxt-n)；st-n+1＝f1(wt-n+1st-n+ut-n+1xt-n+1)；st-n+2＝f1(wt-n+2st-n+1+ut-n+2xt-n+2)；......由链式法则递推出按时序依次求得任一时刻st-i对最靠前时刻t-n输入层到隐藏层的权重矩阵ut-n的梯度；而神经网络的输出集与期望输出集的误差e对最靠前时刻t-n输入层到隐藏层的权重矩阵ut-n的梯度则可以表示为同样的，可依次求得神经网络的输出集与期望输出集的误差e对所有输入层到隐藏层的权重矩阵u中权重矩阵元素的梯度。本发明的有益效果：可以提前预知风电场的发电功率，便于工作人员对下一时刻的发电量进行检验，当实际发电量和预估值存在较大的差值时，通过风电场预估发电功率便于人们发现风电场设备问题，并及时补救。并且提前预知发电功率，可以对电网作出对应的调整，保证电网供电。采用特征选取的方式，可靠性好，说服力强，预测误差小；通过大量的历史数据，来作为预测模型的训练和测试参数，计及循环神经网络输入层、隐藏层和输出层之间两两之间每个权重对应的梯度，预测模型精确度高。附图说明图1为本发明预测方法流程图；图2为本发明中特征提取的流程图；图3为本发明中对基于循环神经网络的预测模型进行训练流程图；图4为本发明中的循环神经网络模型图；图5为特征选取过程中候选特征与已选取特征数据集s之间的条件互信息关系变化图；图6为未来t+1时刻风电功率预测值与实测值对比示意图；图7为未来t+12时刻风电功率预测值与实测值对比示意图；图8为未来t+1时刻风电功率预测值与实测值对比示意图。具体实施方式下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。结合图1可以看出，一种基于特征选取和循环神经网络的风电场功率超短期预测方法，按照以下步骤进行：s1：根据历史t个时刻风电场功率值，确定该t个时刻影响风电场功率值的气象因素，将所有气象因素作为候选特征，并收集t个时刻对应候选特征的历史数据，得到候选特征数据集f；在本实施例中，本实例使用的风电场历史数据来自密歇根州内某风电场。气象因素包括：风速、风向、大气温度、大气压力和空气密度6种数据；数据记录时间为2011-01-01至2011-12-31，记录间隔为5分钟。采用历史3个小时的数据预测未来2个小时的风电场功率。候选特征集f为从当前时刻t到t-35时刻间36个时刻的风电场功率向量值、风速向量值、风向正弦向量值、风向余弦向量值、大气温度向量值、大气压向量值和空气密度向量值归一化后的值，共252个特征。其中候选特征集f为：wpt-t+1，wpt-t+2，…，wpt-1，wpt表示历史t个时刻的风电场功率向量值；wst-t+1，wst-t+2，…，wst-1，wst表示历史t个时刻的风速向量值；wdst-t+1，wdst-t+2，…，wdst-1，wdst表示历史t个时刻的风向正弦向量值；wdct-t+1，wdct-t+2，…，wdct-1，wdct表示历史t个时刻的风向余弦向量值；att-t+1，att-t+2，…，att-1，att表示历史t个时刻的大气温度向量值；apt-t+1，apt-t+2，…，apt-1，apt表示历史t个时刻的大气压力向量值；adt-t+1，adt-t+2，…，adt-1，adt表示历史t个时刻的空气密度向量值。s2：基于条件互信息特征选取方法，对候选特征集f中的候选特征进行特征选取，得到已选取特征数据集s；在步骤s2中，设t为当前时刻，令第一个预测时刻t+1的风电场功率值为作为目标变量c。结合图2可以看出，其中基于条件互信息特征选取方法，对候选特征集f中的候选特征进行特征选取的具体步骤为：s21：从候选特征集f中选取k个特征，根据历史t个时刻候选特征的历史数据，得到目标变量c和候选特征数据集f＝{f1，f2，…fd×t}，d×t为特征数量；在本实施例中，d＝7。s22：令已选取特征数据集已选取特征数m＝0；s23：计算候选特征集f中所有候选特征与目标变量c的互信息量i(c；fi)，并按照互信息量i(c；fi)从大到小的顺序，对所对应的候选特征进行排序；其中，互信息量i(c；fi)计算公式为：其中，i(c；fi)表示目标变量c和候选特征fi之间的互信息量，p(c)和p(a)分别表示目标变量c和候选特征fi的边缘分布函数，p(c,a)表示目标变量c和候选特征fi的联合概率分布函数；s24：选取互信息量i(c；fi)最大所对应的fi作为第一个选取的特征，fi∈f；把fi从候选特征数据集f中移入已选取特征数据集s中：f＝f\{fi}，s＝s∪{fi}，m＝m+1；s25：选取最大互信息量特征fa选取公式对下一个特征进行选取，其中最大互信息量特征选取公式为：其中i(c；fi|fj)表示在给定候选特征fj已知的条件下，目标变量c和候选特征fi之间的条件互信息量；其中其中，p(c,a,b)为在给定候选特征fj已知的条件下，目标变量c和候选特征fi联合概率分布函数，p(c,ab)、p(cb)和p(ab)为给定候选特征fj已知的条件下，目标变量c和候选特征fi条件概率分布函数；从图5可以看出，当选取特征数增加到72个时，再向已选取特征集中加入新的特征时，增加的信息量近似等于0；则特征选取数量k＝72。s26：把最大互信息量特征fa从候选特征集f移入已选取特征数据集s中：f＝f\{fa}，s＝s∪{fa}，m＝m+1；s27：如果已选取特征数m等于从候选特征集f中选取特征数量k，特征选取完成，进入步骤s28，否则返回步骤s25；s28：输出已选取特征数据集s。s3：把已选取特征数据集s作为基于循环神经网络的预测模型的输入数据，进入步骤s4；s4：利用步骤s3得到的预测模型输入数据中z％作为预测模型的训练数据样本，剩余(1-z)％作为预测模型预测效果的测试数据样本；对基于循环神经网络的预测模型进行训练和测试；在本实施例中，z％＝80％。步骤s4中，采用随时间反向传播算法(backpropagationthroughtime，简称bptt)对基于循环神经网络的预测模型进行训练，结合图3和图4可以看出，具体按照以下步骤进行：s41：初始化隐藏层到输出层的权重矩阵v和；隐藏层到隐藏层的权重矩阵w；设在三层循环神经网络中，输入层、隐藏层、输出层的神经元数分别为n1、n2、n3；则记{…,xt-2,xt-1,xt,…}为输入集，{…,nt-2,nt-1,nt,…}为隐藏单元的输入集，{…,st-2,st-1,st,…}为隐藏单元的输出集，{…,yt-2,yt-1,yt,…}为输出集；输入层与隐藏层之间的连接权值为{…,ut-2,ut-1,ut,…},隐藏层前后之间神经元st的连接权值为{…,wt-2,wt-1,wt,…}，隐藏层与输出层之间的连接权值为{…,vt-2,vt-1,vt,…}；在循环神经网络预测模型计算过程中，隐藏层的计算公式为：st＝f1(wst-1+uxt)其中，xt表示t时刻的输入向量；st表示t时刻隐藏层的输出向量；u是输入层到隐藏层的权重矩阵，随机生成；w是隐藏层到隐藏层的权重矩阵，随机生成；f1是隐藏层激活函数；在循环神经网络预测模型计算过程中，输出层的计算公式为：yt＝f2(vst)其中，v为隐藏层到输出层的权重矩阵，随机生成；f2是输出层激活函数s42：将隐藏层的计算公式循环带入输出层的计算公式，前向计算网络中每个神经元的输出值：yt＝f2(vst)＝f2(vf1(wst-1+uxt))＝f2(vf1(wf1(wst-2+uxt-1)+uxt))＝f2(vf1(wf1(wf1(wst-3+uxt-2)+uxt-1)+uxt))＝…s43：反向计算网络中每个神经元的误差值；首先定义神经网络的输出集与期望输出集的误差为：其中epyt为期望输出集{…,epyt-2,epyt-1,epyt,…}的元素；s44：计算网络中每个元素权重的梯度；其中，步骤s44中计算网络中每个元素权重的梯度具体内容为：计算隐藏层到输出层的权重矩阵v中每个权重的梯度；结合输出层的计算公式yt＝f2(vst)应用链式法得到：当函数f2选择为sigmoid函数时，存在：则神经网络的输出集与期望输出集的误差e对隐藏层到输出层的权重矩阵v中每个权重元素的梯度为：其中，计算隐藏层到隐藏层的权重矩阵w中每个权重元素的梯度：首先最靠前时刻t-n时，神经网络的输出集与期望输出集的误差e对该最靠前时刻的后一时刻隐藏层到隐藏层的权重矩阵wt-n+1的梯度，由隐藏层的计算公式st＝f1(wst-1+uxt)和输出层的计算公式yt＝f2(vst)可知st-n＝f1(wt-nst-n-1+ut-nxt-n)＝f1(ut-nxt-n)st-n+1＝f1(wt-n+1st-n+ut-n+1xt-n+1)st-n+2＝f1(wt-n+2st-n+1+ut-n+2xt-n+2)st-n+3＝f1(wt-n+3st-n+2+ut-n+3xt-n+3).......由链式法则可得出任一时刻t-i时刻隐藏层的输出st-i对最靠前时刻的后一时刻隐藏层到隐藏层的权重矩阵wt-n+1的梯度；......而神经网络的输出集与期望输出集的误差e对最靠前时刻的后一时刻隐藏层到隐藏层的权重矩阵wt-n+1的梯度则可以表示为同样的，可依次求得神经网络的输出集与期望输出集的误差e对所有隐藏层到隐藏层的权重矩阵w中权重矩阵元素的梯度；其中，计算输入层到隐藏层的权重矩阵u中每个权重元素的梯度：首先最靠前时刻t-n时，神经网络的输出集与期望输出集的误差e对该时刻输入层到隐藏层的权重矩阵ut-n的梯度，由隐藏层的计算公式st＝f1(wst-1+uxt)和输出层的计算公式yt＝f2(vst)可知yt-n＝f2(vt-nf1(wt-nst-n-1+ut-nxt-n))＝f2(vt-nf1(ut-nxt-n))；st-n＝f1(wt-nst-n-1+ut-nxt-n)＝f1(ut-nxt-n)；st-n+1＝f1(wt-n+1st-n+ut-n+1xt-n+1)；st-n+2＝f1(wt-n+2st-n+1+ut-n+2xt-n+2)；......由链式法则递推出按时序依次求得任一时刻st-i对最靠前时刻t-n输入层到隐藏层的权重矩阵ut-n的梯度；......而神经网络的输出集与期望输出集的误差e对最靠前时刻t-n输入层到隐藏层的权重矩阵ut-n的梯度则可以表示为同样的，可依次求得神经网络的输出集与期望输出集的误差e对所有输入层到隐藏层的权重矩阵u中权重矩阵元素的梯度。s45：使用梯度下降法分别对输入层到隐藏层的权重矩阵u、隐藏层到隐藏层的权重矩阵w、隐藏层到输出层的权重矩阵v进行更新,；s46：检查网络总误差是否达到精度要求,若达到,则结束训练，输出神经网络训练参数结果；否则返回s42。s5：设定风电场功率的预测时间，将该预测时间点之前的所有候选特征的历史数据作为风电场功率预测输入数据，将该风电场功率预测输入数据输入到步骤s4得到的基于循环神经网络预测模型中对风电场功率进行预测，并输出风电功率预测结果。具体见图5、图6和图7。在图6、图7和图8中给出了分别提前5分钟、提前1小时和提前2小时的风电功率预测值与实际值的对比图，分别用t+1、t+12和t+24时刻表示。预测结果准确性的检测指标采用归一化绝对平均误差nmae(normalizedmeanabsoluteerror)与归一化均方根误差nrmse(normalizedrootmeansquarederror)。其中，归一化绝对平均误差nmae指标计算公式为：归一化均方根误差nrmse指标计算公式为：当风电场功率预测时间为提前2小时、3小时的情况下，预测结果的归一化均方根误差如下表1所示；表1预测不同时长的预测误差对比预测时长/(h)nrmse/(％)nmae/(％)28.755.98312.788.64414.4810.42由上述计算结果可知：提出的风电场功率超短期预测模型对未来2小时功率预测的归一化均方根误差8.75％，归一化绝对平均误差为5.98％。该模型预测精度较高，能够实时滚动预测，具有较高的实际应用价值。应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本
技术领域：
的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。当前第1页12