来源：期刊VIP网 时间：
作者：叶利娟;裴生雷;董时;谭琳;
单位：青海民族大学数学与统计学院;青海民族大学通信工程国家级实验教学示范中心;青海民族大学智能科学与工程学院;
摘要：深度学习模型在风电功率预测方面通常比传统机器学习模型表现更佳。然而，随着网络层数的增加，性能提升往往受到网络退化问题的阻碍。针对此问题，提出一种结合深度残差结构与双向长短期记忆（Bi-LSTM）网络的风电功率预测技术。该方法通过引入残差连接增强深层Bi-LSTM网络的训练稳定性，同时捕捉风电数据的长期时序依赖。此外，采用Adam算法优化模型超参数，并在青海某风电企业数据集上对该方法进行了实证测试。实验结果表明，与支持向量回归（SVR）、标准LSTM模型和Bi-LSTM模型相比，深度残差Bi-LSTM模型在风电功率预测方面展现出显著优势：其MAE预测误差仅为61.55，远低于其他三种方法的MAE；而决定系数R2值高达0.937 7，表明模型具有良好的拟合度和预测准确性。这充分证明了深度残差Bi-LSTM模型在风电功率预测领域的潜力和价值。
关键词：风电功率预测;;深度残差;;Bi-LSTM;;残差连接;;Adam优化算法;;超参数优化
基金资助：国家自然科学基金项目（62266035）;; 青海省人熊冲突预警防范技术研究与示范项目（2023-SF-148S-1）
