基于数据特征提取和SSA-BiLSTM的短期风电功率预测.pdf

DOI:10.11991/yykj.202212009网络出版地址：https:/ SSA-BiLSTM 的短期风电功率预测文博1，陈芳芳1，王华玉21.云南民族大学电气信息工程学院，云南昆明6500312.云南民族大学法学院，云南昆明650031摘要：为提高风电功率预测的准确性，提出了一种基于数据特征提取和麻雀算法优化双向长短期记忆网络（sparrowsearchalgorithmoptimisedbi-directionallongandshort-termmemorynetwork，SSA-BiLSTM）短期风电功率预测模型。首先根据皮尔逊相关系数（Pearsoncorrelationcoefficient，PCC）分析风电数据中各影响因素与风电功率之间的相关性，根据计算结果将功率无关的因素去除。然后，采用自适应噪声完全集成经验模态分解（completeensembleempiricalmodedecompositionwithadaptivenoise，CEEMDAN）将原始风电功率序列进行分解，得到一系列子序列分量。再将所有子序列输入麻雀算法（sparrowsearchalgorithm，SSA）优化的双向长短期记忆（bi-directionallongshort-termmemory，BiLSTM）模型中进行预测，根据所得预测值对风速序列进行修正。将修正所得的风速序列与风电功率序列作为输入，送入 SSA-BiLSTM 模型中进行预测。最后，由实验结果分析并对比得出，该模型具有更好的风电功率预测精度。关键词：双向长短期记忆模型；麻雀优化算法；皮尔逊相关系数；风速修正；短期风电功率预测；数据特征提取中图分类号：TM614文献标志码：A文章编号：1009671X(2023)04007108Short-term wind power prediction based on data feature extraction andSSA-BiLSTMWENBo1,CHENFangfang1,WANGHuayu21.SchoolofElectricalandInformationEngineering,YunnanMinzuUniversity,Kunming650031,China2.SchoolofLaw,YunnanMinzuUniversity,Kunming650031,ChinaAbstract:Inordertoimprovetheaccuracyofwindpowerprediction,weproposeashort-termwindpowerpredictionmodel based on data feature extraction and sparrow search algorithm optimised bi-directional long and short-termmemorynetwork(SSA-BiLSTM).Firstly,thecorrelationbetweeneachinfluencingfactorinwindpowerdataandwindpowerisanalyzedaccordingtoPearsoncorrelationcoefficient(PCC),andthepower-independentfactorsareremovedaccordingtothecalculationresults.Then,thecompleteensembleempiricalmodedecompositionwithadaptivenoise(CEEMDAN)isusedtodecomposetheoriginalwindpowerseries,obtainingaseriesofsub-seriescomponents.Then,allsubsequencesareinputintothebi-directionallongshort-termmemory(BiLSTM)modeloptimizedbythesparrowsearchalgorithm(SSA)forprediction,andthewindspeedseriesarecorrectedaccordingtotheobtainedpredictedvalues.Thecorrectedwindspeedseriesandwindpowerseriesareusedasinputs,whicharefedintotheSSA-BiLSTMmodelforprediction.Finally,theexperimentalresultsareanalyzedandcompared,drawingaconclusionthatthemodelhasbetterwindpowerpredictionaccuracy.Keywords:bi-directional long and short-term memory model;sparrow optimization algorithm;Pearson correlationcoefficient;Windspeedcorrection;windpowerprediction;datafeatureextraction随着“碳达峰”和“碳中和”的目标在联合国大会上提出后，我国也制定了相应的响应计划，力争二氧化碳排放于 2030 年前达到峰值，努力争取 2060 年前实现碳中和12。风电在我国新能源电力中占有较大比例，且其因清洁环保、成本较低等优点成为新能源发展的主力。但是，风力的波动性和随机性较大，易受天气因素的影响，给风电的利用率带来了较大限制。因此，短期风电功率的准确预测对电力系统稳定运行具有重要意义。收稿日期：20221215.网络出版日期：20230515.作者简介：文博，男，硕士研究生.陈芳芳，女，副教授.通信作者：陈芳芳，E-mail：.第50卷第4期应用科技Vol.50No.42023年7月AppliedScienceandTechnologyJul.2023短期风电功率的预测方法主要可以分为物理方法、统计方法和组合预测方法 3 大类。物理方法对历史气象数据的精确性要求极高且模型与求解过程复杂3，适应于某一特定地区的风电功率预测；统计预测法模型结构简单、计算速度较快，可以通过大量的历史数据得到较好的预测结果，但是其预测精度随着时间序列的增加而迅速降低；组合预测方法采用其他方法对模型的输入、输出以及模型自身的一种或者多种结构进行了优化并融合改进4，具有强大的非线性映射功能，因此组合预测法是现在一种较为广泛的研究趋势。文 献 5 采 用 皮 尔 逊 相 关 系 数（Pearsoncorrelationcoefficient，PCC）来来寻找与预测日相似的历史时刻的数值天气预报（numericalweatherprediction,NWP）信息，从而通过相似日历史功率估计出与预测日的功率。这种方法避免了采用神经网络进行预测时波动过大而无法准确预测的缺点。文献 6 提出了一种自适应噪声完全集成经验 模 态 分 解（complete ensemble empirical modedecompositionwithadaptivenoise，CEEMDAN）和时间模式注意力机制改进的时间卷积网络模型，这也是一种分解预测重构的组合预测模型，首先用 CEEMDAN 对风电功率原始序列进行分解，然后使用该组合模型对各分量进行预测。文献 7采用了多算法的组合预测模型，然后用主成分分析（principalcomponentanalysis，PCA）进行特征提取以起到降维的效果，再用模态特征和 PCA 进行拼接构成新的序列，最后用果蝇算法优化极限学习机（extremelearningmachine，ELM）作为预测模型。文献 8 采用集成经验模态分解对原始信号进行分解，然后采用时间模式注意力从优化的双向 长 短 期 记 忆（bi-directional long short-termmemory，BiLSTM）中提取相关特征并建立相关关系，再将子序列分量输入其中进行预测。文献 9采用卷积神经网络对数据特征进行提取，并引入了特征交叉机制对特征相关性进行分析并交叉组合，然后将所得特征进行长短期记忆(longshort-termmemory,LSTM)网络预测，在此基础上对比得到误差序列，由其训练得误差模型，最后叠加预测值与误差值得到最终预测值。文献 10 采用向量自回归模型预测风电序列的线性特征，并用Elman 神经网络模型预测非线性特征，在此基础上建立误差补偿模型，并将这两者叠加得到最终预测值。文献 11 采用改进的粒子群算法优化BiLSTM 模型，并用注意力机制进行权重分配，以此来对功率序列进行预测。综上所述，为解决风电功率各因素和误差值对功率预测的影响，本文提出了一种基于数据特征提取和 SSA-BiLSTM 的短期风电功率预测方法。先用 PCC 分析历史风电数据与各影响因素的相关程度，并将与功率呈弱相关的因素去除；然后将所提取的特征序列经过 CEEMDAN 分解，并将分解所得子序列分量输入 SSA-BiLSTM 模型中进行预测，同时所得的预测值对风速序列进行修正；最后将修正所得的风速序列与风电功率序列输入 SSA-BiLSTM 模型中进行预测，以此达到提高预测精度的目的。1数据特征提取1.1皮尔逊相关系数PCC 是由著名统计学家卡尔皮尔逊12提出的一种衡量向量相似度的常用方式13。PCC 对向量的值做了中心化处理，并对中心化结果求余弦距离。PCC 会去掉不同变量量纲在计算过程中的差别，也会在进行余弦相似度计算时把缺失的维度值赋值为 0，其计算公式为X,Y=ni=1(XiX)(YiY)ni=1(XiX)2ni=1(YiY)2X,Y式中绝对值的大小表示 2 个变量的相关性强弱，其值越接近 1 表示相关性越强，若越接近 0 则相关性越弱。相关程度如表 1 所示。表1相关程度划分相关程度输出值为正输出值为负无相关0.00.090.090.0弱相关0.10.30.30.1中相关0.30.50.50.3强相关0.51.01.00.5鉴于 PCC 的以上特征，其常被用于大量数据的预处理中，进行数据的特征降维14、相似日特征提取和组合预测15等场景中。1.2CEEMDAN 分解算法经验模态分解（empiricalmodedecomposition，EMD）是 Huang 等16针对信号的非线性、非平稳特点提出的一种自适应信号处理方法。根据数据本身特征对信号进行直接分解无需设置其他基函数。EMD 分解存在模态混叠现象。因此，Wu 和Huang 提出了集合经验模态分解(ensembleempiricalmodedecomposition，EEMD)来克服 EMD 的模态72应用科技第50卷混叠问题17，EEMD 是一种噪声辅助数据分析方法。EEMD 在进行信号分解后可得到包括反应原始序列波动性的高频信号和反应其稳定性的低频残差信号 R。由于残余噪声信号和加噪声信号的不同，以此来实现的重构信号可能会导致产生的本征模态函数(intrinsicmodefunction，IMF)数量不同。虽然其整个过程能够有效地克服 EMD 方法的模态混叠缺陷，但并不能有效消除白噪声信号，所以使得重构误差过大。Flandrin 等为了克服 EEMD 中重构误差大的问题而提出了 CEEMDAN 这种新的信号分解算法。CEEMDAN 较 EEMD 而言分解速度更快且运算量也大幅减小。与互补集合经验模态分解（complementaryensembleempiricalmodedecompo-sition，CEEMD）最后总体平均不同的是，它在得到第一次的 IMF 后就进行平均计算，这种处理方法有效地避免了白噪声信号从高频到低频的传递，从而影响最后的分析和处理。在接下来的每一个阶段都加入有限次的白噪声信号，能有效降低 EEMD 的重构误差18，但也在一定程度上增加了运算量。其具体分解流程如下：1）对风电功率原始序列 C(t)添加白噪声，计算如下：Cj(t)=C(t)+knj(t)式中：t 为原始功率分解的次数，Cj(t)为最新得到的功率序列，k为第 k 个信噪比，nj(t)则为第 j 次添加的高斯白噪声。2）用原始功率序列计算残差信号：Rj(t)=C(t)fim,1(t)3）在 R1(t)中加入正负成对的高斯白噪声，并对所得新信号 R1(t)+1E1(nj(t)进行 N 次重复分解并求均值，得到分解后的第 2 个模态分量 fim,2(t)及第 2 个残差信号 R2(t)：fim,2(t)=1NNj=1E1(R1(t)+1E1(nj(t)R2(t)=R1(t)fim,2(t)4）接下来不断重复步骤 3）的计算过程，通过CEEMDAN 不断地分解得到第 k+1 个模态分量fim,k+1和第 k 个余量信号 Rk。5）重复上述步骤，最后得到若干个 IMF 分量并计算出相应的满足条件残差分量。最终信号被分解为C(t)=R(t)+Kk=1fim,k(t)2风电功率预测模型构建2.1SSA 优化算法麻雀搜索算法(sparrowsearchalgorithm,SSA)19是 2020 年提出的一种有关麻雀在觅食过程中的相关行为的智能优化算法。麻雀是一种动作迅速、记忆力好的群居动物，因此麻雀种群在觅食过程中具有一些更为显著的生物学特征，因此可通过模仿麻雀的具体行为来获得最优值。由麻雀的相关生物特征可概括为如下 SSA 的数学模型，在进行优化计算之前，必须将参数进行初始化，其中的参数包括种群大小、生产者数量、侦查员数量、最大迭代次数、搜索空间的维度以及搜索范围的上界和下界。随机生成的麻雀定义为 xn，适应度函数用 f(xi)表示。首先一个种群中 n 只寻找食物的麻雀可做表示如下：X=x11x21xd1x12x22xd2.x1nx2nxdn式中：d 为待优化问题变量的维数，n 为麻雀数量。其适应度函数为Fx=f(x11x21xd1)f(x12x22xd2).f(x1nx2nxdn)在 SSA 中，发现者的位置更新表示为Xt+1i,j=Xi,jexp(iimax),R2 TsafeXi,j+QL,R2 Tsafeimax式中：为最大迭代次数；Q 为服从正态分布的随机数；L 为所有元素为 1 的单位向量；R2为警告值，其范围是 0,1；Tsafe为安全阈值，其取值范围为 0.5,1。R2Tsafe定义为生产者能够在没有掠食者的情况下继续进行广泛的搜索；当 R2Tsafe时则意味着麻雀已经被捕食者发现并有被捕获的风险，需要立即放弃现有资源并飞到安全区继续觅食。由于加入者和发现者的身份不断地互换并一直寻找更好的食物来源，加入者的位置更新表示为Xt+1i,j=Qexp(XworstXti,ji2),i fgXti,j+K?XworstXti,j?(fi fw)+fi=fgXtbest式中：为当前的全局最优位置；为步长控制参数；fg和 fw分别是当前全局最佳和最差的适应度值；为常数，它的设置是避免分母出现零。SSA 优化流程如图 1 所示。初始化种群计算初始适应度选定食物选定领导者与追随者计算适应度是否满足终N更新种群位置更新Y输出食物坐标获得最优参数开始结束止条件图1SSA 优化流程2.2BiLSTM 原理针对循环神经网络（recurrentneuralnetworks，RNN）出现的梯度消失和爆炸问题，Hochreiter等20提出一种 LSTM 网络。LSTM 与 RNN 不同之处在于 LSTM 隐藏层内的循环递归单元中存在特殊的门控机制，有效地克服了梯度爆炸等问题2122。1 个 LSTM 模型有输入门、遗忘门和输出门2324。LSTM 模型非常适合处理和预测短期或者超短期内具有未知持续时间的时间序列，从而使其能够得到充分训练并且能展现出比 RNN 更加优异的性能。LSTM 网络采用反向误差传播算法对时间网络进行训练25。LSTM 模型可以较好地对风速、风向、大气密度等相关时间序列进行预测，起到提高预测精度的效果。预测结果精度提高后更有利于进行相关的风电并网调度等一系列工作，LSTM 的网络结构图26如图 2 所示。tanhtanhCt1CthttxtitCtOththt1图2LSTM 的网络结构LSTM 中如遗忘门 tf、输入门 ti、输出门 to各变量计算公式为tf=(Wfht1+bf)ti=tanh(Wcht1,xt+bc)Ct=tanh(Wcht1,xt+bc)Ct=tfCt1+tiCtto=(Woht1,xt+bo)ht=totanh(Ct)式中：ht1和 ht分别为上一时刻和当前时刻的输出，xt为当前时刻的输入，Wf、Wi、Wc、Wo分别为遗忘门、输入门、候选门和输出门下的权重矩阵，bf、bi、bc、bo为各门偏置项，Ct1和 Ct为上一时刻和更新后的细胞状态。而双向长短期记忆网络则是在 LSTM 的基础上进一步优化。BiLSTM 是由前向的 LSTM 结构和反向 LSTM 结构组成，弥补了传统神经网络在训练时只从前到后的传播训练。BiLSTM 模型能更大程度地挖掘风电功率数据中所包含的信息，克服了传统 LSTM 挖掘数据不充分的缺点，为风电功率的进一步准确预测创造了更好的条件。BiLSTM 模型的结构如图 3 所示。ht1htht+1xt1xtxt+1后向LSTM前向LSTMLSTM单元LSTM单元LSTM单元LSTM单元LSTM单元LSTM单元图3BiLSTM 结构74应用科技第50卷3风电功率预测流程及评价指标3.1预测流程1）用 PCC 法分析风电数据中风电功率与各影响因素之间的相关系数，从而剔除与功率相关性低的因素。2）对 所 选 取 出 来 的 风 速 序 列 数 据 进 行CEEMDAN 分解，得到一系列子序列分量。3）将分解所得序列分量放入 SSA 优化后的BiLSTM 模型中进行训练，并预测风速值。4）将风速预测值与实际值作对比，并对风速值进行修正。5）把修正所得的风速值与风电功率序列作为输入，送入 SSA-BiLSTM 模型中进行预测。6）将各模型的误差评价指标进行分析，得到所用模型的可行性。预测流程如图 4 所示。风电场数据皮尔逊相关系数检验风速数据CEEMDAN 分解历史风电功率数据IMFs 分量值SSA-BiLSTM修正后的风速值SSA-BiLSTM 模型风电功率预测结果图4风电功率预测流程3.2误差评价指标在采集风电功率相关的特征数据时，例如风速、风向、风电功率等特征，其数量级和数量单位都各不相同，有的数量级甚至相差极大，造成无法对各影响特征进行有效分析的问题。为了解决这一问题，将所有的历史数据先做归一化处理27，即将所有数据映射到 1,1：x=xxminxmaxxmin式 中 xmin和 xmax分 别 为 输 入 数 据 的 最 小、最大值。选用的误差评价指标28为平均绝对误差(meanabsoluteerror，MAE)EMA、平均绝对百分比误差(meanabsolutepercentageerror，MAPE)EMAP和均方根误差(rootmeansquareerror，RMSE)ERMS，误差计算公式为EMA=1nmni=m+1|yi yi|EMAP=1nmni=m+1?yi yiyi?100%ERMS=1nmni=m+1|yi yi|2 yi式中：n 为风电功率总采样数，m 为训练集样本数量，yi和 分别为风电功率真实值和预测值。4算例分析以某风电场 2017 年 6 月及 7 月实际风电功率数据为例进行建模，其中包括风速、风向、大气密度等，且每 2 组数据之间的采样间隔为 15min，算例中采样 5856 个数据样本，其中最高发电功率为 49.017MW，最低发电功率为 3.234MW，所得平均发电功率为 14.62MW。选用样本数据前90%作为训练集，后 10%为测试集来进行训练、预测。4.1基于 PCC 的特征提取将风电场中所采集的数据点通过计算 NWP影响因素和输出功率的 PCC 对样本数据进行降维处理。得到的的系数值如表 2 所示。表2PCC 降维结果相关影响因素PCC相关影响因素PCC10m高处风速0.901350m高处风向0.169330m高处风速0.901470m高处风向0.172750m高处风速0.9168轮毂高度风向0.172670m高处风速0.9173温度0.170610m高处风向0.0853气压0.212630m高处风向0.1728湿度0.2148通过对比表中的相关系数得出，与输出功率最相关的特征为 70m 高处风速。4.2基于 CEEMDAN 的风速分解为了提高风电功率最终的预测精度，同时降低风能本身随机性和波动性对预测的影响，采用CEEMDAN 分解算法对数据特征提取所得的风速序列进行分解预处理，其分解所得的各 IMF 分量如图 5 所示。第4期文博，等：基于数据特征提取和 SSA-BiLSTM 的短期风电功率预测75图 5 中，将预处理后的数据分解为 12 个频率各异的 IMF 分量。IMF 分量按频率由高到低排列且各个分量之间保持较高的独立性。其中，高频信号分量波动性较大，其反映了风速序列较大的波动性，在预测时会产生较大的误差；低频信号分量较为平稳，接近一条平滑的曲线，其反映了原始序列平稳的变化趋势，在预测时能够较好地拟合效果。4.3基于 SSA-BiLSTM 的风速预测及修正采用 LSTM 预测数据集后 10%的风速预测结果如图 6 所示，容易看出实际值与所得预测值有明显的相位差异。由图 6 可知，采用单一 LSTM模型对风速序列进行预测所得结果与真实值相比会存在较大的相位差异。因此本文采用 SSA 优化后的 BiLSTM 对风速预测结果进行修正，所得修正结果如图 7 所示。由图 6、图 7 对比可得出，在使用 SSA 对 BiLSTM 的超参数进行优化后，再对风速序列进行预测，所得结果相较于单一LSTM 模型相位差异性更小，所得结果可用度更高。2 种不同模型误差指标如表 3 所示。02468101214161820100 200 300 400 500t/min风速/(m/s)600 700 800 900真实值预测值图6LSTM 风速预测结果02468101214161820100 200 300 400 500t/min风速/(m/s)600 700 800 900真实值预测值图7风速预测值校正结果表3风速修正前后误差指标对比预测模型EMA/MWEMAP/%ERMS/MWLSTM8.9649.0789.144SSA-BiLSTM3.1851.3151.3536480.501.01.52.02.53.0时间 t/103 min(m)IMF 12 分量FIMF12(t)101FIMF11(t)0.501.01.52.02.53.0时间 t/103 min(l)IMF 11 分量220FIMF10(t)0.501.01.52.02.53.0时间 t/103 min(k)IMF 10 分量220FIMF9(t)0.501.01.52.02.53.0时间 t/103 min(g)IMF 9 分量55FIMF8(t)00.501.01.52.02.53.0时间 t/103 min(i)IMF 8 分量550FIMF5(t)0.501.01.52.02.53.0时间 t/103 min(f)IMF 5 分量550FIMF1(t)0.501.01.52.02.53.0时间 t/103 min(b)IMF 1 分量20010FIMF0(t)0.501.01.52.02.53.0时间 t/103 min(a)原始数据2240FIMF7(t)0.501.01.52.02.53.0时间 t/103 min(h)IMF 7 分量440FIMF4(t)0.501.01.52.02.53.0时间 t/103 min(e)IMF 4 分量440FIMF6(t)0.501.01.52.02.53.0时间 t/103 min(g)IMF 6 分量440FIMF3(t)0.501.01.52.02.53.0时间 t/103 min(d)IMF 3 分量220FIMF2(t)0.501.01.52.02.53.0时间 t/103 min(c)IMF 2 分量图5CEEMDAN 风速分解76应用科技第50卷4.4风电功率预测结果及误差分析对数据进行相关预处理后，选用 SSA-BiLSTM模型作为预测模型。对于 BiLSTM 模型，在用SSA 优化过程中，得到优化后的学习率为 0.0067，种群数为 8，最优迭代次数为 49，生产者在全部种群中的占比为 0.2。为了更好地评估本文所提模型的性能，选用 SSA-LSTM、SSA-BiLSTM 以及未经过风速修正的 SSA-BiLSTM 模型与本文所提出的 CEEMDAN 风速分解和 SSA-BiLSTM 预测模型作对比。各种模型的预测曲线如图 8 所示。02468101214161820100 200 300 400 500t/min风电功率/MW600 700 800 900实际值本文方法BiLSTM 模型未经风速修正的 SSA-BiLSTM 模型SSA-LSTM 模型图8风电功率预测结果对比从图 8 所示预测曲线可以看出，在经过风速修正后建立的预测模型，预测值与真实值更为相似。根据模型的误差评价指标计算可得表 4。表4误差评价指标对比结果预测模型EMA/MWEMAP/%ERMS/MW本文所提方法0.9671.2844.367SSA-BiLSTM5.7296.32517.271SSA-LSTM7.3479.82422.817BiLSTM8.20910.45227.413经过对比发现，风速数据经过 CEEMDAN 分解后再进行预测修正，所得到的误差评价指标均要比直接进行预测时效果更好。从表 4 中不难发现，相较于传统的用经验来进行 BiLSTM 的超参数选择方法，在经过 SSA 优化后的 BiLSTM 能更好地体现预测性能，EMA、ERMS和 EMAP值分别下降了 2.480MW、4.127%和 10.142MW。本文所提模型相较于未经过风速修正的SSA-BiLSTM 模型的 EMA、ERMS和 EMAP值分别下降了 4.762MW、5.041%和 12.904MW，可以得出经过风速修正后再进行 SSA-BiLSTM 预测的方法能使得整体精度进一步提高。在实际风电场功率序列上的实验结果表明，本文提出的基于数据特征提取和 SSA-BiLSTM 预测模型相较于文中所对比的其他几种预测模型误差评价指标明显降低，优化过程耗时也更短，能更精确高效地进行短期风电功率预测。5结论本文提出的一种基于数据特征提取和 SSA-BiLSTM 的短期风电功率预测模型，经过实例分析表明：1）对原始风电数据进行特征提取得到与风电功率相关性最强的风速序列，以此将原始序列中与风电功率无关和相关性较弱的序列除去，增加预测的准确性。2）将所提取的风速序列经过 CEEMDAN 分解得到一系列子序列分量，降低了波动性对风速预测结果的影响程度。3）根据所得预测值对风速序列进行修正，使预测结果与真实值更为接近，进一步提升了预测精度。4）将修正所得的风速序列与风电功率序列作为输入，送入 SSA-BiLSTM 模型中进行预测。并将得到的不同模型的预测结果进行误差评比，对比得出本文所提方法在预测精度和预测效率上具有更高的可行性。参考文献：孙静.全国发电装机容量 22.7 亿千瓦 N.中国电力报,20210821(2).1丁怡婷,寇江泽.我国建成世界最大清洁发电体系:非化石能源发电装机容量 10.3 亿千瓦 N.人民日报海外版,20210906(1).2冯双磊,王伟胜,刘纯,等.风电场功率预测物理方法研究 J.中国电机工程学报,2010,30(2):16.3杨茂,张罗宾.基于数据驱动的超短期风电功率预测综述 J.电力系统保护与控制,2019,47(13):171186.4张姗,冬雷,纪德洋,等.基于 NWP 相似性分析的超短期光 伏 发 电 功 率 预 测 J.太 阳 能 学 报,2022,43(4):142147.5赵凌云,刘友波,沈晓东,等.基于 CEEMDAN 和改进时间卷积网络的短期风电功率预测模型 J.电力系统保护与控制,2022,50(1):4250.6张铸,王静袁,饶盛华.基于 PCA-DMD-FOA-ELM 风电功率短期预测研究 J.电子测量技术,2020,43(12):611.7王渝红,史云翔,周旭,等.基于时间模式注意力机制的BiLSTM 多风电机组超短期功率预测 J.高电压技术,2022,48(5):18841892.8刘雨佳,樊艳芳,白雪岩,等.基于特征交叉机制和误差9第4期文博，等：基于数据特征提取和 SSA-BiLSTM 的短期风电功率预测77补偿的风力发电功率短期预测 J.电工技术学报.(20221102)20221108.https:/ J.电力系统及其自动化学报,2017,29(9):6569.10高鹭,孔繁苗,张飞,等.基于 IPSO-BiLSTM-AM 模型的超短期风电功率预测方法 J.智慧电力,2022,50(4):2734.11LEERODGERSJ,NICEWANDERWA.Thirteenwaysto look at the correlation coefficientJ.The Americanstatistician,1988,42(1):5966.12亓晓燕,刘恒杰,侯秋华,等.融合 LSTM 和 SVM 的钢铁企业电力负荷短期预测 J.山东大学学报(工学版),2021,51(4):9198.13彭周宁,林培杰,赖云锋,等.基于混合灰色关联分析广义回归神经网络的光伏电站短期功率预测 J.电气技术,2019,20(10):1118.14郭辉,杨国清,姚李孝,等.基于综合相似日和功率相关性的光伏电站预测功率修正 J.电网与清洁能源,2018,34(9):5258.15HUANG N E,SHEN Zheng,LONG S R,et al.TheempiricalmodedecompositionandtheHilbertspectrumfor nonlinear and non-stationary time series analysisJ.Proceedings of the royal society of London seriesA:mathematical,physicalandengineeringsciences,1998,454(1971):903995.16CHANGKangming.EnsembleempiricalmodedecompositionforhighfrequencyECGnoisereductionJ.Biomedicalengineering,2022,55(4):193201.17GAO Bixuan,HUANG Xiaoqiao,SHI Junsheng,et al.18Hourly forecasting of solar irradiance based onCEEMDAN and multi-strategy CNN-LSTM neuralnetworksJ.Renewableenergy,2020,162:16651683.XUE Jiankai,SHEN Bo.A novel swarm intelligenceoptimization approach:sparrow search algorithmJ.Systems science&control engineering,2020,8(1):2234.19HOCHREITERS,SCHMIDHUBERJ.Longshort-termmemoryJ.Neuralcomputation,1997,9(8):17351780.20LI Jialin,LI Xueyi,HE D.A directed acyclic graphnetworkcombinedwithCNNandLSTMforremainingusefullifepredictionJ.IEEEaccess,2019,7:7546475475.21李俊卿,李秋佳.基于 Kriging 和长短期记忆网络的风电 功 率 预 测 方 法 J.太 阳 能 学 报,2020,41(11):241247.22周秀,朱洪波,马云龙,等.基于深度学习的变压器局部放电模式识别研究 J.高压电器,2019,55(12):98105.23ZHOU Yanting,HUANG Yinuo,PANG Jinbo,et al.Remainingusefullifepredictionforsupercapacitorbasedonlongshort-termmemoryneuralnetworkJ.Journalofpowersources,2019,440C:227149.24李冰,张妍,刘石.基于 LSTM 的短期风速预测研究 J.计算机仿真,2018,35(11):456461.25刘云鹏,许自强,董王英,等.基于经验模态分解和长短期记忆神经网络的变压器油中溶解气体浓度预测方法 J.中国电机工程学报,2019,39(13):39984008.26MADHIARASAN M.Accurate prediction of differentforecasthorizonswindspeedusingarecursiveradialbasisfunction neural networkJ.Protection and control ofmodernpowersystems,2020,5(1):19.27魏乐,李思莹.基于 MEEMD-LSSVM 的风电功率超短期预测研究 J.智慧电力,2020,48(5):2126.28本文引用格式：文博,陈芳芳,王华玉.基于数据特征提取和 SSA-BiLSTM 的短期风电功率预测 J.应用科技,2023,50(4):7178.WENBo,CHENFangfang,WANGHuayu.Short-termwindpowerpredictionbasedondatafeatureextractionandSSA-BiLSTMJ.Appliedscienceandtechnology,2023,50(4):7178.78应用科技第50卷