Um modelo combinando rede neural convolucional e algoritmo LightGBM para previsão de energia eólica de ultra-curto prazo

A volatilidade e a incerteza da energia eólica muitas vezes afetam a qualidade da energia elétrica, a segurança da rede elétrica, a estabilidade do sistema de energia e a flutuação do mercado de energia. Nesse caso, a pesquisa sobre previsão de energia eólica é de grande importância para garantir um melhor desenvolvimento das redes de energia eólica e uma qualidade superior da energia elétrica. Portanto, muitos novos métodos de previsão foram propostos. Neste artigo, um novo modelo de previsão baseado em uma rede neural convolucional e LightGBM é construído. O procedimento é apresentado da seguinte forma. Primeiro, construímos novos conjuntos de características analisando as características dos dados brutos da série temporal do campo eólico e campos eólicos adjacentes. Segundo, a rede neural convolucional (CNN) é proposta para extrair informações dos dados de entrada, e os parâmetros da rede são ajustados comparando os resultados reais. Por último, considerando as limitações do modelo de convolução única na previsão da energia eólica, integramos de forma inovadora o algoritmo de classificação LightGBM ao modelo para melhorar a precisão e a robustez da previsão. Finalmente, em comparação com as máquinas de vetor de suporte existentes, LightGBM e CNN, o modelo de fusão apresenta melhor desempenho em precisão e eficiência.