基于机器学习和深度学习的新能源功率预测研究综述--学术论文模式--个人梳理

基于机器学习和深度学习的新能源功率预测研究综述–学术论文模式–个人梳理

写在前面

本文是博主根据前人的研究成果总结的机器学习和深度学习等理论方法在新能源功率预测领域的相关研究内容要点，按照学术科技论文写作的模式进行的呈现，包括文章引用等也都做了详细的批注，花了很多时间和心血，一方面是对自己学习成果的一些总结，另一方面也希望对大家有用（尽量不要直接copy哦，转载请标注，如有不当请评论或私信指出哦）。

摘要

可再生能源的间歇性给新型电力系统的运行带来了巨大挑战，准确地预测新能源出力对于电网的安全可靠运行尤为重要。机器学习和深度学习作为数据驱动的方法，已经被广泛应用于新能源功率预测领域，并取得了显著的成果。本文对近5年间在机器学习（ML）和深度学习（DL）在新能源功率预测领域的研究进行了调研；在简要阐述新能源出力预测的特性、ML和DL方法理论等相关概念的基础上，对基于ML和DL的风电和光伏功率预测的研究现状进行了论述，同时总结了ML和DL在新能源功率预测领域的重要优势、价值与作用。调研结果显示：组合模型方法和CNN与LTSM等深度学习方法在新能源功率预测研究中应用最为广泛；功率预测方法的当前定位为“由模型驱动向数据驱动过渡，由机器学习算法向深度学习算法转移”；并指出合理的算法结构和深层次的数据融合将是未来的研究趋势。
关键词：新能源功率预测；机器学习；深度学习；人工智能

1 引言

随着“双碳”战略目标的提出，构建以新能源为主体的新型电力系统已成为共识。预计到2060年，全社会用电量超过16万亿千瓦时，新能源发电装机达到50亿千瓦，新能源发电量占比将由目前的8%提高到60%以上。风电和光伏是两种最具代表性的新能源，但其时空上的波动性和随机性给电网安全和新能源消纳带来了重大挑战，而新能源功率预测则是降低其随机性影响的核心关键技术。
新能源功率预测是指在风电、光伏等新能源发电系统中，通过利用于气象预报数据、新能源功率数据和气象观测数据等动态数据，结合新能源场站位置和设备参数等信息进行建模，对未来一段时间内的发电功率进行预测[1]；可用于支撑电网调度、检修计划、安稳分析、新能源消纳分析等多项业务开展。
然而，新能源出力的随机性和不确定性使得准确地预测新能源功率非常具有挑战性。近年来，以数据驱动为核心的人工智能技术得到了快速发展。机器学习（Machine learning, ML）是一种从数据中自动学习规律并做出预测的方法，其主要优势是能够处理大量的数据，并通过学习数据的规律来预测功率输出[2-4]。深度学习（Deep learning, DL）是一种基于神经网络的机器学习方法，深度学习模型通过模拟人类大脑的神经连接结构；利用多阶段变换对数据特征进行分层描述，通过多层结构逐层向上抽象学习特征，该过程无需人工参与，通过特定的数学表达，可将特征转化为有价值的信息，指导机器完成学习工作[5-13]。相比物理建模方法、时间序列建模方法等传统非人工智能方法，基于人工智能的预测模型具有诸多优点：其对高维非线性样本空间具有良好的拟合能力；同时模型参数基于数据训练得到，容易获取；模型的输入特征亦可灵活构建；结合智能优化算法还可进行参数自动寻优，进一步省去了人工调参的工作量。
文章基本框架如下：第二章对新能源功率预测方法的基础理论进行概述，并基于此简要讨论机器学习和深度学习模型方法的基本原理；第三章介绍机器学习和深度学习方法的应用现状及价值；第四章分析该领域研究中的现存问题，并对未来的研究方向进行了展望；第五章为研究总结。

2 新能源功率预测方法概述

基于新能源历史数据对其功率直接进行预测的方法分为确定性预测和不确定性预测两类[14]。确定性预测会给出未来功率确定性点的预测结果，主要包含时间序列模型、机器学习模型、深度学习和多种模型的组合预测方法这四类基本方法。不确定性预测则给出未来功率可能的波动范围或不确定性，主要包括基于误差分布的概率性功率预测和基于实测数据的区间上下限预测两种方式。
基于研究主题，本文对确定性预测方法中的人工智能方法的应用进行了分析与讨论，参考了将近50篇与研究主题相关的中外文献，其关键词的词频统计云图结果分别如图 2.1和图 2.2所示。
$$图2.1新能源功率预测研究关键词词频云图（中文文献）$$$$图2.2新能源功率预测研究关键词词频云图（英文文献）$$
由词频云图可初步发现，风电和光伏发电的功率预测技术已经从浅层的传统机器学习算法逐步倾向于以深度学习为代表的数据驱动技术。深度学习作为一种特殊的机器学习，与传统机器学习最重要的区别在于它的性能随着数据规模的增长而增长，因为深度学习算法需要大量的数据来训练。在机器学习中，大多数应用特征需要由专家来识别，然后根据领域和数据类型进行手动编码；但大多数机器学习算法的性能取决于如何准确地识别和提取特征[15]，因此，深度学习尝试从数据中学习高级特征的特点成为它被广泛运用于新能源功率预测的关键。
$$图2.3深度学习基本思想[10]$$

2.1 人工智能技术预测新能源功率的理论基础

新能源功率预测问题在数学意义上的本质可从机器学习中回归任务的通用范式来理解。其目的是构建一个最佳映射模型$h$，根据从输入空间$\chi$中采样得到的样本$x$ ，去预测输出空间$\gamma$中对应的$y$。模型的输入空间$\chi$对应预测模型的输入，对于新能源功率预测而言，一般包括历史功率数据、历史气象观测数据和气象预测数据三种类型。模型输出空间$\gamma$对应预测功率，为一维空间时对应单步预测，为多维空间时对应多步预测。预测模型$h$ 一般具有参数$\varphi$ ，可表示为$h(x,\varphi )$ [1]。
为了评价预测效果好坏，需构建一个损失函数$L$，其实质是一个度量$h(x,\varphi )$ 和$y$ 接近程度的度量函数， $L$取值和 $h(x,\varphi )$ 与$y$ 之间距离成正相关，当$h(x,\varphi )$ =$y$ 时， $L$ 取最小。
由于损失函数只针对单个样本点的预测效果进行评价，因此定义期望风险为损失函数值在输入输出空间上的期望值：

目的是找到使式(1.1)期望风险最小的预测模型，即最优预测模型满足：

求解(1.2)式的一种主要思路是：依据从原始输入输出空间中采样的给定样本集 $\{(x_1,y_1),(x_2,y_2)...(x_m,y_m)\}$ ，求使得以下经验风险最小的模型$h$及对应的最优模型：

根据大数定理，当训练样本足够多时，经验风险收敛于期望风险：

当模型复杂度过高而样本量又不足时，此时可能发生过拟合，一般通过在经验风险的基础上增加与模型复杂度正相关的正则项函数$J(h)$来限制模型复杂度，此时对应模型的结构风险和优化目标为：
表2.1 为采用物理机理建模和采用人工智能方法建模的主要区别，从中可看出，人工智能方法在建模难度、数据输入处理能力、预测的时空尺度适用性等方面均优于物理模型，但是其也存在可解释性弱，同时建模对历史数据要求较高的问题。

2.2 机器学习和深度学习模型方法

常见的机器学习方法主要包括有监督学习、无监督学习和半监督学习，前两者在新能源功率预测领域已有广泛应用，如人工神经网络，支持向量机等，典型算法总结如表 2.2所示。
深度学习算法由浅层的人工神经网络演化而来，通过组合多个非线性表征层构建深层网络模型，利用逐层抽象、逐层迭代的机制，实现对数据特征更高阶的提取。主要包括卷积神经网络、循环神经网络、深度信念网络等。
本文将对使用比较频繁的几个典型方法进行介绍。
$$图2.4支持向量机和核技巧映射原理[1]$$

2.2.1 人工神经网络(ANN)

人工神经网络（Artificial Neural Network, ANN）是机器学习中最常用的方法之一，其本质是通过对大量历史数据进行网络层间学习，建立历史数据(输入样本)与预测功率(输出)间的映射关系。在ANN中，通过多层神经元的连接和激活函数的作用，能够对输入数据进行非线性变换和处理。由于新能源功率输出具有时序性、周期性和不确定性，因此ANN方法在功率预测中得到了广泛应用。
$$图2.5典型ANN与DNN模型[16]$$

2.2.2 卷积神经网络(CNN)

卷积神经网络（Convolutional Neural Network, CNN）是一类主要应用于图像识别、语音识别和自然语言处理等领域的深度神经网络。CNN的基本结构是由卷积层、池化层和全连接层构成的，其核心是卷积操作，它是一种有效的特征提取方法。卷积操作通过在输入数据的不同位置使用相同的滤波器（卷积核）来提取特征，从而减少了需要学习的参数数量；池化层则可以减小特征图的尺寸，从而进一步降低计算量；全连接层则将特征图映射到预测结果上，完成分类或回归任务。
CNN可以根据其结构和应用领域又可分为残差网络（ResNet），卷积自编码器（Convolutional Autoencoder），语义分割网络（Semantic Segmentation Network），卷积循环神经网络（Convolutional Recurrent Neural Network, CRNN）等。这些变体网络结构的不同主要在于它们的卷积核大小、卷积层数、激活函数等的不同，以及网络的设计和优化策略的不同。

$$图2.6卷积神经网络原理图[17]$$

2.2.3 循环神经网络(RNN)

循环神经网络（Recurrent Neural Network, RNN）是一类用于处理序列数据的神经网络。它的特点是可以将过去的信息储存下来，通过循环来处理当前的输入数据，同时也可以将当前的状态储存下来，以供后续使用。RNN的基本结构是一个由循环单元（Recurrent Unit）组成的网络，每个循环单元内部有一个隐藏状态，它会接收上一个时刻的输出和当前时刻的输入，然后计算出当前时刻的输出和隐藏状态，这个隐藏状态也会作为下一个时刻的输入之一，形成一个循环。
基本的RNN结构是使用简单的全连接神经网络作为循环单元，但由于存在梯度消失问题，难以处理长序列数据，因此在此基础上发展出了门控循环单元（Gate recurrent unit, GRU）和长短期记忆模型（Long short term memory, LSTM）等新方法。
LSTM通过引入门控机制，能够更好地处理长序列数据，避免梯度消失的问题，而且从结构角度看，LSTM网络结构更为精简。GRU也是一种具有门控机制的循环单元，通过添加重置门和更新门来定量刻画远期输入对近期的影响，相比LSTM参数更少，训练速度更快，但是其性能略逊于LSTM[18]。
$$图2.7典型LSTM模型[16]$$

2.2.4 深度信念网络(DBN)

深度信念网络（Deep Belief Networks, DBN）是一类用于无监督学习的神经网络，由多层受限玻尔兹曼机（Restricted Boltzmann Machines, RBM）堆叠而成。DBN的基本结构是由一个输入层、多个隐层和一个输出层构成的前馈网络，其中输入层和输出层通常为可见层，隐层是由RBM构成的。
DBN的训练过程包括两个阶段，第一阶段是逐层预训练（Greedy Layer-wise Pretraining），即训练每个RBM，第二阶段是整体微调（Fine-tuning），即将所有RBM连接起来，用反向传播算法对整个网络进行微调。逐层预训练可以使网络从局部最优解中逐渐逼近全局最优解，提高网络的泛化能力。DBN在图像分类、语音识别、自然语言处理等多个领域中得到广泛的应用。
$$图2.8典型DBN模型[16]$$

2.2.5 混合与集成模型(HEM)

混合与集成模型（Hybrid and ensemble models，HEM）是将传统机器学习算法和深度学习算法结合起来使用的一种方法。这些模型的目的是充分利用各种算法的优势，提高模型的性能和泛化能力。以下是一些常见的模型：
（1） 深度卷积神经网络+传统机器学习算法：在使用CNN对图像进行特征提取后，使用传统机器学习算法进行分类或回归[19]。这种方法能够有效利用CNN的优势，同时也避免了过拟合的问题。
（2） 深度学习模型和集成模型的组合：通过将深度学习模型与集成模型（如随机森林、Adaboost等）进行组合，可以进一步提高模型的泛化能力[7, 8]。
（3） 深度学习模型和贝叶斯网络的组合：通过将深度学习模型与贝叶斯网络进行组合，可以充分利用贝叶斯网络的概率建模能力，提高模型的鲁棒性和泛化能力[20]。
（4） 深度学习模型和支持向量机的组合：通过将深度学习模型与支持向量机进行组合，可以充分利用支持向量机的核函数和正则化能力，提高模型的泛化能力[21]。
$$图2.9基于CNN-RBFNN-DGF的风电功率预测模型[19]$$

2.3 性能评价指标

功率预测模型评价指标可以对预测模型误差特征进行量化[14]。平均绝对误差、平均相对误差以及方均根误差，这三个指标在新能源功率确定性预测评估中最受欢迎，其数学表达式及适用范围如下：

3 基于机器学习和深度学习的新能源功率预测研究现状

新能源出力预测包括风电出力预测和光伏出力预测，其主要是构建反映风速、光照强度与输出功率之间非线性关系或功率变化趋势的预测模型，并充分利用历史出力数据、天气和数据，对深度学习模型进行训练，最终实现多尺度新能源未来出力情况的全面感知和精准预测。

3.1 光伏出力预测

光伏出力受云量、雨、雾等天气条件影响较大，需结合多源天气数据来获得较为精确的预测结果[22]。
文献[7]在负荷和光伏发电精确预测的基础上,对光伏消纳能力进行分析。提出一种基于频域分解的短期负荷预测方法，并应用基于孤立森林和长短期记忆神经网络,精细化预测短期光伏发电功率。文献[23]提出了一种新的卷积神经网络（CNN）模型，用于不同天气条件和季节下的短期光伏输出功率预测。该CNN模型为并行池结构，以提高预测性能。输入参数是测量的历史太阳辐射、温度、湿度和有功功率数据；实验结果表明所提出的方法在1小时不同天气条件下的平均相关系数（R）、均方根误差（RMSE）和平均绝对误差（MAE）分别为0.9871、0.3090和0.1750，预测结果具有较高的准确性和稳定性，优于其他深度学习方法。文献[6]为解决传统预测算法在学习周期波动规律上的不足,提出了基于LSTM的光伏发电预测模型。利用相关性分析从天气状态数据中筛选出光伏发电量的影响因素,由此作为模型的输入。以小批梯度下降算法优化LSTM的训练过程。文献[5]针对传统单一预测模型在进行光伏功率预测时受到功率随机波动性的影响导致预测精度往往不理想的问题,提出了组合式深度学习预测模型。采用LSTM、GRU与RNN这3个单一模型对光伏功率进行预测得到3个预测结果并加权组合。最后,利用强化学习的Q学习算法对组合权重进行优化,进而最大化组合模型的预测性能。文献[13]提出了一种基于GRU的分布式光伏发电预测混合模型，该方法使用光伏发电历史数据，以5分钟的间隔预测日前光伏发电时间序列。基于此开发了时间分布的GRU模型，提出了一种场景生成算法，为每个模型提供预测线性趋势数据，并将每日的线性场景、历史数据的线性和非线性部分输入GRU，以预测光伏发电量。该模型的均方根误差为6.83%，平均绝对误差为4.12%，具有较好的预测效果。
$$图3.1一种基于CNN的光伏出力预测模型[23]$$

3.2 风电出力预测

与光伏出力相比，风电出力受天气影响相对较小，但波动性及间歇性更强，因而历史数据的随机性更加明显。
文献[24]提出了一种基于注意力机制的CNN-LSTM风功率预测模型。该模型利用卷积神经网络对输入数据特征提取；在传统LTSM模型中融入注意力机制，进一步从大量信息中提取有用信息，提高了模型预测精度。文献[25]针对传统机器学习无法处理时间序列间关联信息和时间相关性的缺陷,提出了级联式CNN-RNN预测模型,提取并挖掘风电功率子序列、风速子序列和风向之间的耦合关系的隐含特征和时间相关特征。文献[26]提出了一种多重集成的集群短期风电功率预测方法。该方法利用原始风电序列分解的子序列构造多个堆叠去噪自动编码器(SDAE)进行深度学习；利用支持向量机(SVM)对深度学习结果的随机集合进行多重集成。结果表明，多重集成的预测结果均方根误差分别比单次集成、SDAE和SVM减小了百分比为9.01%、13.54%和14.66%。文献[27]提出了一种由LSTM和遗传算法 (GA) 组成的新型GLSTM框架来预测短期风电。该模型利用了LSTM从序列数据中自动学习特征的优势，并使用 GA 的全局优化策略来优化 LSTM中的窗口大小和神经元数量。与现有技术相比，GLSTM将风力发电预测平均准确率从 6% 提高到 30%。文献[8]提出了一种基于卷积神经网络、互信息法、长短时记忆网络、注意力机制和粒子群优化的短期风电场预测模型(MI-CNN-LSTM-PSO)。CNN用于提取不同站点的空间特征，LSTM则用于获取多个站点的风电数据的时间依赖信息，据此设计CNN-LSTM时空预测模型，并结合深度学习算法对模型进一步改进。文献[28]提出了一种新的风电预测数据驱动方法，该方法基于RNN模型集成了数据预处理和重采样、异常检测和处理、特征工程和超参数调整。开发了一种新型的门控循环单元 (GRU)，并与LSTM进行了比较，发现GRU 在预测准确性方面优于 LSTM；该方法可以较低的计算成本获得高精度的预测结果。
$$图3.2一种基于贝叶斯-GRU的超短期风电出力预测模型[20]$$

3.3 典型方法作用分析

将3.1与 3.2 节所列举的文献中使用的具体方法进行总结，如表 3.1。
分析表 3.1可得，深度学习和组合模型方法在光伏和风电出力研究中应用均最为广泛，尤其是CNN与RNN中的LSTM方法；这个结果也与图 2.1和图 2.2中调研的文献关键词云图呈现的结果一致。此外，有权威研究也对这些研究方法做了更深入的量化，并指出混合预测模型是新能源出力预测领域使用最多的模型，其次是RNN（包括LSTM和GRU），第三是CNN[16]。

对于新能源发电，由于太阳辐照度、温度、风速等因素的间歇性和不确定性，许多现有的概率统计和机器学习方法无法提供准确的预测。所以很多研究人员使用深度学习模型，以减少现有机器学习模型的局限性并提高预测准确性。有研究表明，深度学习模型在光伏出力预测应用中具有很大优越性，其中CNN-LSTM 的混合模型的预测精度比CNN、LSTM、GRU、RNN 和 DNN分别高 3.62%、25.29%、34.66%、37.37% 和 26.20%[17]。
$$图3.3基于LSTM的新能源功率预测[1]$$
造成这种现象的主要原因可能是：尽管机器学习算法可完成信息的部分挖掘，但随着样本数量及样本类型的增加，在算法的隐含层节点数、网络层次、连接方式、参数设置等方面仍需进一步优化[29]。比如，大多数ANN使用一个或多个隐藏层，在具有两个或更多隐藏层的 ANN 的解空间中搜索最佳加权因子和偏差是非常困难的，隐藏层过多可能会导致过度拟合[19]。而深度学习算法在特征提取与重构方面具有优越的性能，可基于风电场和光伏电场的海量数据来学习特征信息，二者主要区别在于：

1. 深度学习模型自身内嵌了数据特征提取模块，输入样本为原始数据，保留了数据的全面信息；而机器学习则需结合信号分析法获取输入样本，输入样本为经过预处理后的数据，构建样本的过程中常隐含了某种假设。
2. DL 算法的训练时间长，测试时间较短，这点与机器学习算法相反，更符合超短期预测的上报时限要求。
3. 由于具有无监督学习能力和多层非线性结构，相比机器学习算法， DL 算法在逼近复杂函数、拟合输入样本和提取抽象特征等方面显示出了优越性能。
   此外，波动的功率序列会增加预测结果的不稳定性，单一预测模型有时难以全面提取功率波动特性[29]。因此，CNN的特征提取与RNN的门控机制及其相关的组合方法等能够深度挖掘输入参数间的耦合特征以及时间维度上的特征，这给风电和光伏时序功率预测的准确性带来了很大的便利，更对提升电力系统的调度管理效率意义重大。

4 人工智能技术在新能源功率预测领域的问题和展望

需要指出的是目前工智能方法，尤其是深度学习仍然存在一些不足[10]。
（1） 数理支撑方面：深度学习的实质为黑箱模型，相比于SVM等浅层学习方法，其数学理论支撑不足，特别在网络结构、隐层节点数量等选择上缺乏理论指导。
（2） 数据量需求方面：深度学习采用多层结构，若没有足够的训练数据，模型的泛化能力将大大降低，因此不适用于数据量不足的情况。
因此，关于未来的发展方向，一方面需记录并获取与发电出力具有高相关性、高精度的，质量更高、更具特征的气象参数等输入数据用于预测模型；另一方面，需要加大对小样本人工智能学习的研发力度，针对波动性与随机性更加突出、影响因素更复杂的分布式新能源出力等小样本场景进行预测。因此，需要使用包括数据生成和特征增强等新方法去解决这种问题。
（3） 算法模型结构方面：针对新能源功率预测虽然有大量模型和预测方法被提出，但是预测模型往往存在对数据和使用场景的强依赖性，模型泛化能力不强。深度学习的模型结构复杂、参数众多，训练速度相比于浅层学习方法要慢。
目前已出现一些优化模型结构的方法，其中，元学习和数据知识融合是两种比较典型的解决范式；可提高模型的整体泛化能力和可解释性。具体到新能源功率预测，可考虑将晴空模型、光电转换模型、风功率转换模型等物理机理模型和人工智能模型进行融合。
$$图4.1基于数据机理融合的新能源功率预测模型[1]$$
（4） 场景自适应能力方面：未来海上风电以及各种小型分布式源-荷新能源将迎来爆发式增长，这些场景设备运行工况和气象条件更加复杂[11]，模型的场景自适应能力尤为重要。当前新能源功率预测一般采用“离线训练，在线预测”的方式，模型上线之后对环境缺乏动态自适应调整的能力，当新能源电站环境和运行参数等发生较大变化时，模型预测精度会明显下降。
面对“源网荷储”全网协同的新运行模式，需要统筹考虑分布式新能源与多种负荷的耦合互补关系，将其作为整体研究对象的源荷集成预测。一方面，需要更先进的人工智能技术，对多源异构的海量分布式源荷数据进行充分融合，从而提取有用信息；另一方面，可结合注意力机制、图神经网络等技术[17]，对一定区域范围内的分布式源荷站点数据之间的时空特性进行深入挖掘，从而有效提升分布式源荷集成预测性能。

5 结语

本文对近五年与新能源功率预测相关的ML和DL方法进行了概述和总结。研究分析了新能源功率预测的重要方法及其基本原理；基于此总结了ML和DL在风电和光伏发电功率预测中的典型应用；对人工智能技术在新能源功率预测领域的研究现存问题和未来发展方向进行了总结。调研结果表明，组合预测模型以及深度学习中的RNN（包括LSTM和GRU）和CNN模型表现出更强的时序数据预测能力，在非线性拟合、避免维数灾、对数据适用性等方面，相对浅层机器学习具有优势。将它们应用于电力负荷、新能源功率的预测，能够提高负荷及新能源出力预测的准确性，有利于电力系统对新能源的高效消纳。

参考文献

[1]. 朱琼锋等, 人工智能技术在新能源功率预测的应用及展望. 中国电机工程学报, 2022: 第1-23页.
[2]. 冉靖等, 风电场风速和发电功率预测方法综述. 数理统计与管理, 2020. 39(06): 第1045-1059页.
[3]. 崔杨, 陈正洪与许沛华, 基于机器学习的集群式风光一体短期功率预测技术. 中国电力, 2020. 53(03): 第1-7页.
[4]. 臧海祥等, 基于数据驱动的太阳辐射估计和预测研究与展望. 电力系统自动化, 2021. 45(11): 第170-183页.
[5]. 孟安波等, 基于强化学习和组合式深度学习模型的超短期光伏功率预测. 电网技术, 2021. 45(12): 第4721-4728页.
[6]. 李畸勇与班斓, 基于长短记忆神经网络的短期光伏发电预测技术研究. 华北电力大学学报(自然科学版), 2020. 47(04): 第46-52页.
[7]. 张倩等, 频域分解和深度学习算法在短期负荷及光伏功率预测中的应用. 中国电机工程学报, 2019. 39(08): 第2221-2230+5页.
[8]. 廖雪超, 陈才圣与伍杰平, 基于CNN-LSTM及深度学习的风电场时空组合预测模型. 信息与控制, 2022. 51(04): 第498-512页.
[9]. 林铮等, 考虑海上风电多机组时空特性的超短期功率预测模型. 电力系统自动化, 2022. 46(23): 第59-66页.
[10]. 周念成等, 深度学习在智能电网中的应用现状分析与展望. 电力系统自动化, 2019. 43(04): 第180-191页.
[11]. 苗磊等, 深度学习在电力系统预测中的应用. 工程科学学报, 2023. 45(04): 第663-672页.
[12]. Sheraz, A., et al., A survey on deep learning methods for power load and renewable energy forecasting in smart microgrids. Renewable and Sustainable Energy Reviews, 2021. 144.
[13]. Yinpeng, Q., et al., A temporal distributed hybrid deep learning model for day-ahead distributed PV power forecasting. Applied Energy, 2021. 304.
[14]. 唐新姿等, 风电功率短期预测技术研究进展. 机械工程学报, 2022. 58(12): 第213-236页.
[15]. 人工智能资讯小编, 深度学习与机器学习, 2018.
[16]. Ghadah, A. and M. Rashid, A Review and Taxonomy of Wind and Solar Energy Forecasting Methods Based on Deep Learning. Energy and AI, 2021(prepublish).
[17]. Pratima, K. and T. Durga, Deep learning models for solar irradiance forecasting: A comprehensive review. Journal of Cleaner Production, 2021. 318.
[18]. 杨茂与张罗宾, 基于数据驱动的超短期风电功率预测综述. 电力系统保护与控制, 2019. 47(13): 第171-186页.
[19]. Hong, Y. and C.L.P.P. Rioflorido, A hybrid deep learning-based neural network for 24-h ahead wind power forecasting. Applied Energy, 2019. 250.
[20]. Lei, L., et al., Ultra-short-term wind power forecasting based on deep Bayesian model with uncertainty. Renewable Energy, 2023. 205.
[21]. Sharifzadeh, M., A. Sikinioti-Lock and N. Shah, Machine-learning methods for integrated renewable power generation: A comparative study of artificial neural networks, support vector regression, and Gaussian Process Regression. Renewable and Sustainable Energy Reviews, 2019. 108.
[22]. A., F.F.C. and C. Zuansi, Novel machine learning approach for solar photovoltaic energy output forecast using extra-terrestrial solar irradiance. Applied Energy, 2022. 306(PB).
[23]. Deniz, K., SolarNet: A hybrid reliable model based on convolutional neural network and variational mode decomposition for hourly photovoltaic power forecasting. Applied Energy, 2021. 300.
[24]. 孙国强等, 用于超短期风电预测的混合深度学习模型. 电气开关, 2022. 60(04): 第50-53页.
[25]. 殷豪等, 基于二次模式分解和级联式深度学习的超短期风电功率预测. 电网技术, 2020. 44(02): 第445-453页.
[26]. 李聪等, 基于SDAE深度学习与多重集成的风电集群短期功率预测. 高电压技术, 2022. 48(02): 第504-512页.
[27]. Farah, S., Z. Aneela and M. Muhammad, A novel genetic LSTM model for wind power forecast. Energy, 2021. 223.
[28]. Adam, K., L. Zi and L. Xiaolei, Wind power forecasting – A data-driven method along with gated recurrent neural network. Renewable Energy, 2021. 163.
[29]. 杨茂与张罗宾, 基于数据驱动的超短期风电功率预测综述. 电力系统保护与控制, 2019. 47(13): 第171-186页.