CN113705922B

CN113705922B - 一种改进的超短期风电功率预测算法及模型建立方法

Info

Publication number: CN113705922B
Application number: CN202111036871.5A
Authority: CN
Inventors: 高鹭; 孔繁苗; 张飞; 田文强; 任晓颖; 郝斌
Original assignee: Inner Mongolia University of Science and Technology
Current assignee: Inner Mongolia University of Science and Technology
Priority date: 2021-09-06
Filing date: 2021-09-06
Publication date: 2023-09-12
Anticipated expiration: 2041-09-06
Also published as: CN113705922A

Abstract

本发明公开了一种改进的超短期风电功率预测算法及模型建立方法，其特征在于，包括如下步骤：采集数据集；对采集的数据集进行空缺值填充、数据集归一化处理；将数据集划分为训练集、测试集；确定预测点所需的历史步长；将处理好的数据集输入超短期风电功率预测模型，超短期风电功率预测模型建立输入历史风电数据与预测功率点的映射关系，通过神经网络的自主学习输出下一时刻的风电功率预测值；该方法能够解决现有技术存在的风电功率预测精度不高、预测时间分辨率狭窄、预测模型泛化性不强的问题。

Description

一种改进的超短期风电功率预测算法及模型建立方法

技术领域

本发明属于清洁能源功率预测技术领域，具体涉及一种改进的超短期风电功率预测算法及模型建立方法。

背景技术

随着风力发电技术的发展，一些问题慢慢被发现。风能本身存在一定的波动性和不确定性且受环境因素的影响很大，加上我国的风力发电结构相对于发达国家较薄弱，并且大部风力发电场位于我国风能丰富但是电力网比较弱的偏远地区。风力发电的输出功率不稳定使得大量并网的难度增加，安全可靠性都得不到保障，从而制约了风电的大面积推广。然而当风力发电在电力系统中所占的比例增大时，所存在的问题带来的影响就会更加的突出。

对于电网调度而言，为了电力系统的正常运行，风电基地更关心风电场未来几小时或者未来一天的发电量，以便于制定合理有效的电力调度计划并且提前一段时间对风力发电量进行预测，这样可以相对提高风电的市场竞争力。对于电网控制来说，需要提前知道几分钟甚至几秒钟的发电量，以便进行风力发电机组的超前控制，并且能适应数据的波动性和不确定性，提高预测精度。

基于上述原因，只有进行超前风电功率预测才能够更好的应对风能的各种变动，从而更有效的进行电网调度和电网控制。超短期风电功率预测技术通常以历史风电功率、风速、风向、温度等作为输入，通过预测模型后输出风电功率预测值。超短期风电功率预测预测技术的基本步骤包括收集数据集、数据集的处理（填补空缺值、数据集归一化等）、设计风电功率预测模型、基于建立好的预测模型进行预测。

现有风电功率预测的方法有很多种，其中常用的超短期风电功率预测方法有时间序列法、人工神经网络法、支持向量机等。时间序列法虽然建模容易、结构简单，但需要大量历史数据、非线性关系无法拟合。人工神经网络法无需建立先验模型，但需要大量的训练数据、训练时间长且网络结构和参数难以确定。支持向量机很好的解决了过学习和陷入局部最优等问题，但是参数选取较复杂且对大量数据的处理能力较弱。在人工神经网络中，长短期记忆神经网络（Long Short-Term Memory，LSTM）突破了传统神经网络无法学习长距离依赖关系的问题，预测的精准度有一个新的高度，但是传统的LSTM神经网络模型的预测精准度还是有限。分析各预测方法优缺点，发现利用不同方法的优势进行组合的预测方法可以进一步提高预测精准度。

发明内容

有鉴于此，本发明要解决的技术问题是：针对上述存在的问题，本发明提出了一种改进的超短期风电功率预测算法既模型建立方法，以解决现有技术存在的风电功率预测精度不高、预测时间分辨率狭窄、预测模型泛化性不强的问题。

第一方面，本申请提供了一种改进的超短期风电功率预测算法，包括如下步骤：

采集数据集；

对采集的数据集进行空缺值填充、数据集归一化处理；

将数据集划分为训练集、测试集；

确定预测点所需的历史步长；

将处理好的数据集输入超短期风电功率预测模型，超短期风电功率预测模型建立输入历史风电数据与预测功率点的映射关系，通过神经网络的自主学习输出下一时刻的风电功率预测值；

结合第一方面，上述数据集包括历史风电功率、风速、风向、温度。

结合第一房间，上述空缺值填充包括填充固定值、均值、中位数、众数、根据上下条数据填充、根据插值法拟合出缺失的数据进行填充。

结合第一方面，在对上述预测点的历史步长进行确定时，将每个当前预测点取前连续一定时间内多个时刻的强关联性风电数据作为历史步长。

第二方面，本申请还提供了一种超短期风电功率预测模型建立方法，包括如下步骤：

步骤一，初始化非线性惯性权重粒子群优化算法的粒子群大小、空间维度、初始位置、初始速度、学习因子；

步骤二，确定粒子群优化算法的目标函数，并按照确定的迭代次数进行迭代优化；

步骤三，将最终迭代的结果带入BiLSTM中进行模型训练；

步骤四，利用注意力机制计算不同时刻各特征向量权重并更新，更新后的特征向量输入BiLSTM中进行训练；

步骤五，模型加入Dropout算法、Adam优化器优化模型且防止过拟合；

结合第二方面，在步骤五中，Dropout算法在深度学习神经网络每次迭代训练时，按照一定比例将部分神经网络单元暂时丢弃，节省时间且防止过拟合问题。在对部分神经网络单元进行丢弃时，在0.1~0.5范围内进行丢弃。

结合第二方面，Adam优化器基于数据迭代更新神经网络权重。

在第二方面中，非线性惯性权重粒子群优化算法（IPSO）通过每个粒子共享个体极值与全局极值比较，不断更新位置与速度进行迭代优化，筛选出双向长短期记忆神经网络的最优超参数；在PSO算法中，系数ω的大小决定粒子继承上一轮速度的能力；取值较大时，粒子具有较强的全局搜索能力；取值较小时，粒子具有较强的局部搜索能力；然而PSO算法中的ω是一个固定值，不仅会减弱粒子的局部搜索能力和全局搜索能力，还容易陷入局部最优问题；因此，引入一种非线性惯性权重粒子群优化算法（IPSO）；非线性惯性权重的粒子群优化算法（IPSO）改变原有固定值权重，迭代中的惯性权重呈指数形式减少，加快了算法的收敛速度且避免了陷入局部最优问题；更新后的双向长短期记忆神经网络（BiLSTM）作为编码器进行编制、转换为可传输到注意力机制的形式，注意力机制（Attention）学习输入数据在不同时间对风电功率预测点的贡献不同所调整权重，分配不同权重的风电数据再次输入到作为解码器的双向长短期记忆神经网络进行风电功率预测。

本发明的有益效果在于如下：

本发明针对神经网络人工调参工作量大且准确性得不到保证的问题，提出采用PSO优化。PSO本身采用固定权重系数又会导致局部最优问题，因此本文提出一种新的非线性惯性权重系数。风功率预测是时间序列预测，而LSTM是善于处理时间属性的神经网络，BiLSTM又可以同时考虑到预测点前后信息。采用Attention更新不同时间输入特征对风电功率预测的权重，最终大幅提高了风电功率预测精度。

本发明的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本发明的上述技术即可得知。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施方式，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

表1为风电功率与各输入特征相关程度。

表2为PSO与IPSO优化后的参数。

表3为IPSO优化后的参数。

表4为所提模型与其它五种预测模型的评价标准对比。

表5为所提模型与其它五种预测模型的预测时间对比。

表6为所提模型与其它五种预测模型的训练时间对比。

表7为所提模型与基准模型的实验结果对比。

表8为所提模型提前5、10、15分钟预测的评价标准。

图1为延迟16步内各时刻的偏自相关性系数。

图2为组合预测模型示意图；

其中，X——BiLSTM的输入特征向量；Y——风电功率预测值；h——BiLSTM的输出特征向量；C——注意力机制更新过后的特征向量；IPSO优化所有BiLSTM记忆单元。

图3为非线性惯性权重粒子群优化算法流程图。

图4为双向长短期记忆神经网路示意图；

其中，A_{t (t=0、1、...、i)}——前向隐藏单元；A_t’_{(t=0、1、...、i)}——反向隐藏单元；y_{t (t=0、1、...、i)}——双向隐藏单元的输出；x_{t (t=0、1、...、i)}——输入向量；S₀——前向隐藏单元输入；S₁——前向隐藏单元输出；S’₀——反向隐藏单元输入；S’₁——反向隐藏单元输出。

图5为注意力机制示意图；

其中，g_{i (i=1、2、...、n)}——得到的注意力大小；h_{j (j=1、2、...、m)}——输入特征第j时刻的状态向量；C_i——注意力加权特征向量；a_{ij (i=1、2、...、n; j=1、2、...、m)}——经过softmax层后，目标特征输出第i时刻的特征向量时，所对应输入特征第j时刻的特征向量的注意力大小。

图6为IPSO迭代优化结果；

其中，6a为IPSO春季迭代优化结果；6b为IPSO夏季迭代优化结果；6c为IPSO秋季迭代优化结果；6d为IPSO冬季迭代优化结果。

图7为IPSO-BiLSTM-AM模型（超短期风电功率预测模型）预测结果；

其中，7a为春季预测结果；7b为夏季预测结果；7c为秋季预测结果；7d为冬季预测结果。

图8为所提模型与其它五种预测模型的预测结果（冬）对比。

图9为部分结果对比。

图10为所提模型提前5、10、15分钟预测结果；

其中，10a为提前5分钟预测结果；10b为提前10分钟预测结果；10c为提前15分钟预测结果。

图11为分辨率为10分钟的数据预测结果。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

以下实施例中所使用的术语只是为了描述特定实施例的目的，而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样，单数表达形式“一个”、“一种”、“上述”、“该”和“这一”旨在也包括例如“一个或多个”这种表达形式，除非其上下文中明确地有相反指示。还应当理解，在本申请以下各实施例中，“至少一个”、“一个或多个”是指一个、两个或两个以上。

第一方面具体实施内容有：

（1）数据采集与处理：

风电功率数据采集：采集的数据分辨率为1分钟，数据特征包括历史风电功率、风速、风向、温度。由于四季气候状况不同，导致功率波动相应存在较大变化，为证明模型的泛化性，本文选取的风电历史数据包括春、夏、秋、冬四种。

采集到的数据若有空缺值则根据空缺值填充方法中的上下条数据进行空缺值填充。

为了解各数据特征对预测输出的影响，采用相关系数近似的体现风电功率与各输入特征的相关程度。相关系数如式1所示：

式中，x、y——两组不同的输入特征变量；——x、y的平均值。r为正数时，说明x、y正相关；r为负数时，说明x、y负相关。|r|值越大，x、y相关性越高。风电功率与其他输入特征相关程度如表1所示：

表1

根据表1的相关程度可以看出，风速、风向、温度对风电功率均有一定的影响，其中风速对风电功率的影响最高。

数据集归一处理：

风电功率归一化：采集到风电功率数据，由于风电功率数据波动比较大，直接进行训练不会取得良好的预测效果，需要对数据进行归一化操作，以免各个数据对结果影响太大，将数据映射到0和1之间。转换函数为：

其中X_max是风电功率数据最大值，X_min是风电功率数据最小值，X是当前数据（风速、气压、湿度等类似）。

风向归一化：对于风向数据，考虑到其物理意义，对其进行归一化处理采用正弦函数。如式3所示：

其中x代表风向数据的实际值，X代表归一化后的值。

气温归一化：气温有正有负，所以要取绝对值的最大值进行归一化。如式4所示：

其中T_g为归一化后的气温值，T_t为归一化前的气温值。

（2）划分训练集与测试集：

将归一化后的数据集进行训练集、测试集划分；训练集为前80%，测试集为后20%。

（3）利用偏自相关性函数确定预测点所需的历史步长：

在风电功率预测中，每个时刻的功率预测都需要利用当前时刻前一段历史时刻的特征数据。因为超短期预测有较大的波动性和随机性，不应利用过长时间的历史特征数据，时间间隔越大对当前时刻的帮助性越小。为了确定所需历史步长，利用偏自相关性函数找到对当前预测时刻影响性大的历史时刻，偏自相关性函数如式5所示：

式中，ɸ_ss——滞后s偏自相关系数，ρ_s——滞后s自相关系数，ϕ_s,j= ϕ_s−1,j−ϕ_s,sϕ_s−1,s−j，j=1,2,...,s−1。

滞后s偏自相关系数就是在去除中间s-1个时刻的特征数据的干扰后，t-k对t时刻的相关影响程度。本文计算延迟16步内各时刻的偏自相关性系数，得到的结果如图1所示。

由图1可以看出，前4个历史时刻对当前预测点的影响最大，偏自相关性系数分别为0.916、0.375、0.161、0081，因此确定所需历史步长为4。

（4）IPSO-BiLSTM-AM模型，也既超短期风电功率预测模型：

模型隐藏层结构为一层输入层、一层BiLSTM神经网络层、一层BiLSTM神经网络层作为编码器、注意力机制层、一层BiLSTM神经网络层作为解码器、一层BiLSTM神经网络层、一层Dropout、一层全连接层；模型激活函数为Relu激活函数，损失函数为MSE损失函数。组合预测模型结构示意图如图2所示。

第二方面具体实施内容有：

粒子群迭代优化如图3所示：

初始化动态改变惯性权重的粒子群优化算法的粒子群大小、空间维度、初始位置、初始速度：

定义粒子群数量为10，空间维度为4，学习因子c1、c2为2，建立参数搜索空间，神经元个数取值范围为[50,150]，丢弃率的取值范围为[0.1,0.4]，学习率的取值范围为[0.0001,0.01]，迭代次数的取值范围为[30,100]。随机生成粒子初始位置和速度。

非线性惯性权重优化公式如式6所示：

式中，最大权重ω_max——0.9；最小权重ω_min——0.4；t——当前迭代次数；T_max——最大迭代次数。

确定粒子群优化算法的目标函数，并按照确定的迭代次数进行迭代优化：

根据粒子当前位置计算每一个粒子的适应度值，即是当前的个体最优点，每次经过迭代对比10个粒子的个体最优点确定全局最优点；确定标准是选取平均绝对误差最小值，将当前全局最优点定义为目标函数，不断更新个体最优点，全局最优点和目标函数；迭代中的惯性权重随例子的位置和目标函数的变化而变化，加快了算法的收敛速度且避免了陷入局部最优问题。

检验结果是否符合条件；目标函数为平均绝对误差，迭代次数内使目标函数达到最小值，最大迭代次数设置为20次。

采用PSO与IPSO对BILSTM-AM模型优化进行实验对比，PSO中为0.6，其余参数设置与IPSO一致。采用内蒙古自治区某风电场2017年四季的实测历史数据进行实验。PSO与IPSO优化后的参数如表2所示：

表2

如上表所示，IPSO和PSO的优化后参数选择不同，优化结果不同。PSO春、夏、秋、冬四季的RMSE分别为116.343、91.734、66.117、132.807；MAE分别为62.584、51.790、40.825、90.285。

IPSO实验的RMSE分别为115.447、88.842、64.283、132.086；MAE分别为61.797、49.792、38.079、86.260。

实验结果表明，IPSO的误差较PSO的误差小，证明IPSO较PSO有所提高。

将改进粒子群优化最终得到的结果输入到作为编码器的BiLSTM当中，并进行BiLSTM神经网络的模型训练。

如图4所示，BiLSTM神经网络是由前向LSTM网络结构与反向LSTM网络结构组成。在LSTM记忆单元中，细胞状态用来保存之前重要信息，保证信息不变的贯穿整个循环神经网络。遗忘门用来决定上一时刻细胞状态哪些内容需要去除与保留，通过一个sigmoid层查看输入的h_t-1和x_t信息输出一个0-1之间的向量，数值的大小表示细胞状态C_t-1中信息保留或丢弃的多少。输入门决定当前细胞状态C_t的信息更新，更新操作分为两个步骤。首先通过输入门的sigmoid层确定需要更新的信息，然后通过一个tanh层创建一个新的候选值。结合遗忘门与输入门输出的信息更新细胞状态为C_t。输出门通过sigmoid层选择性的输出细胞状态保存的内容，接着通过tanh得到一个-1到1之间的值并与sigmoid层的输出进行相乘确定最终输出h_t。各变量之间的计算公式如式7-12所示：

式中，f_t——遗忘门；i_t——输入门；o_t——输出门；σ——sigmoid函数；tanh——双曲正切函数；W_f、W_i、W_c、W_o——权重矩阵；h_t-1——上一时刻的输出；x_t——当前时刻输入；b_f、b_i、b_c、b_o——偏置项；——当前时刻细胞状态；C_t——更新后的细胞状态；C_t-1——上一时刻细胞状态；h_t——当前时刻的最终输出结果。

注意力模型计算不同时刻各特征向量适合的注意力大小，更新后的特征向量输入到作为解码器的BiLSTM神经网络中进行训练：

如图5所示，在超短期风电功率预测中，不同时间点，输入的风电信息对风电功率的影响不同，注意力机制给影响程度大的信息赋予高的权重。

注意力机制的权重分配计算、生成新的特征向量如式13、14所示：

式中，g_i——得到的注意力大小；F——一个学习函数；h_j——输入特征第j时刻的状态向量；H_i-1——目标特征输出第i-1时刻的状态向量；C_i——注意力加权特征向量；a_ij——经过softmax层后，目标特征输出第i时刻的特征向量时，所对应输入特征第j时刻的特征向量的注意力大小。

加入Dropout算法和Adam优化器：

Dropout防止模型过拟合，Adam提升训练精度。具体细节如算法1所示：

根据实验结果对模型进行评价。

为了对本文提出的模型预测效果进行考量，选取均方根误差（root mean squareerror，RMSE）、均方误差（mean squared error，MSE）、平均绝对误差（mean absolutedeviation，MAE）、R-Square作为评价标准。

评价标准如式15-18所示：

式中，y_i——风电功率预测值；——风电功率真实值。

IPSO迭代优化的结果如图6所示，优化后的参数如表3所示，模型预测结果如图7所示:

表3

通过春、夏、秋、冬四季的预测结果可以看出，所提模型均可以取得良好的拟合效果。为证明本文所提模型组合的精准度高且有效，与模型BiLSTM、BiLSTM-AM、PSO-BiLSTM、IPSO-BiLSTM、IPSO-BiGRU-AM实验结果进行对比，六种预测模型的评价标准对比如表4所示，预测时间的对比如表5所示，训练时间的对比如表6所示：

表4

表5

表6

各模型的预测结果（冬）如图8所示，截取第800-1000条数据对比如图9所示：

由表4可以看出，所提模型的4种评价指标相对其它5个模型均有较好的表现。由表5可以看出所提模型的预测时间不是最短的，但本文预测的分辨率为1分钟，因此可以及时提供参考点。所提模型比IPSO-BiLSTM模型的各项误差值小说明注意力机制对提高模型准确性起到了一定的作用。PSO-BiLSTM-AM模型比BiLSTM-AM模型的各项误差值小说明粒子群算法比手动调参更容易找到最优参数，进而相对提高模型的准确率，而所提模型比PSO-BiLSTM-AM模型准确性更高证明了改进粒子群的可行性。在数据量少的情况下，GRU比LSTM收敛速度快，因为GRU只有两个门，模型比较简单。但是由于GRU直接将隐藏状态传给下一个单元，而LSTM则用储存单元把隐藏状态包装起来，即对于大数据量的情况下，LSTM收敛速度更快且模型准确率更高。本文实验数据量相对较大，因此所提模型效果优于IPSO-BiGRU-AM模型，由表6也可以看出所提模型训练时间更短。由图8、9可以看出所提模型较其他模型更好的拟合真实数据的波动。

为了进一步证明所提模型的有效性，与基准模型进行实验对比验证。因为本文所提模型为多特征输入，故选择与机器学习方法：支持向量回归（support vectorregression，SVR）、BP、随机森林（Random Forest，RF）进行对比；与近期效果较好的超短期风电功率组合预测算法：2019年任成国等人提出的EMD-LSTM模型、2020年韩朋等人提出的AM-LSTM模型进行对比。对比结果如表7所示：

表7

由表7可以看出，所提基准模型里机器学习SVR、BP、RF的各项评价指标要低于组合预测模型EMD-LSTM、AM-LSTM，然而EMD-LSTM、AM-LSTM的各项指标低于所提模型。

风电场电网控制需要提前上报预测点数据，因此使用本文所提模型提前预测未来0-15分钟的风电功率。所提模型提前5、10、15分钟预测的评价标准如表8所示，预测结果如图10所示：

表8

由表8、图10可以看出，随着提前预测的步长增大，所存在的误差大幅度增加。然而提前0-15分钟内预测值仍然可以很好的贴合真实值，因此所提模型可以对未来0-15分钟内的风电功率进行有效预测。

为模型在超短期任何分辨率均可以取得高预测率。选取内蒙古某风电场2014年1-3月共10000条数据，风机装载容量为2000KW，分辨率为10分钟，训练集占80%，测试集占20%进行验证。预测结果如图11所示：

其预测结果的RMSE为166.178，MSE为27648.401，MAE为118.432，R2为0.9314，证明了模型可适应多时间段预测的广泛性。

本发明对于神经网络人工调参工作量大且准确性得不到保证的问题，提出采用PSO优化。PSO本身采用固定权重系数又会导致局部最优问题，因此本文提出非线性惯性权重系数。风功率预测是时间序列预测，而LSTM是善于处理时间属性的神经网络，BiLSTM又可以同时考虑到预测点前后信息。采用Attention更新不同时间输入特征对风电功率预测的权重。实验结果表明，本文所提IPSO-BiLSTM-AM模型预测精度更高；提前0-15分钟内的多步预测稳定性良好；模型不仅可以预测高分辨率的1分钟数据用于控制，也适合分辨率低一些的15分钟时间间隔的预测，用于调度。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims

1.一种改进的超短期风电功率预测算法，其特征在于，包括如下步骤：

采集数据集；数据包括历史风电功率、风速、风向、温度；

对采集的数据集进行空缺值填充、数据集归一化处理；

将数据集划分为训练集、测试集；

确定预测点所需的历史步长；在对预测点的历史步长进行确定时，将每个当前预测点取前连续一定时间内多个时刻的强关联性风电数据作为历史步长；

IPSO-BiLSTM-AM模型，也既超短期风电功率预测模型：

模型隐藏层结构为一层输入层、一层BiLSTM神经网络层、一层BiLSTM神经网络层作为编码器、注意力机制层、一层BiLSTM神经网络层作为解码器、一层BiLSTM神经网络层、一层Dropout、一层全连接层；模型激活函数为Relu激活函数，损失函数为MSE损失函数；

所述超短期风电功率预测模型建立方法如下：

步骤一，初始化非线性惯性权重粒子群优化算法的粒子群大小、空间维度、初始位置、初始速度；

非线性惯性权重优化公式如式6所示

式中，最大权重ω_max——0.9；最小权重ω_min——0.4；t——当前迭代次数；T_max——最大迭代次数；

步骤二，确定粒子群优化算法的目标函数，并按照确定的迭代次数进行迭代优化，优化方式为：根据粒子当前位置计算每一个粒子的适应度值，即是当前的个体最优点，每次经过迭代对比10个粒子的个体最优点确定全局最优点；确定标准是选取平均绝对误差最小值，将当前全局最优点定义为目标函数，不断更新个体最优点，全局最优点和目标函数；迭代中的惯性权重随例子的位置和目标函数的变化而变化，加快了算法的收敛速度且避免了陷入局部最优问题；

将改进粒子群优化最终得到的结果输入到作为编码器的BiLSTM当中，并进行BiLSTM神经网络的模型训练；

检验结果是否符合条件；目标函数为平均绝对误差，迭代次数内使目标函数达到最小值，最大迭代次数设置为20次；

步骤三，将最终迭代的结果带入BiLSTM中进行模型训练；

g_i＝F(h_j，H_i-1) 式13

式中，g_i——得到的注意力大小；F——一个学习函数；h_j——输入特征第j时刻的状态向量；H_i-1——目标特征输出第i-1时刻的状态向量；C_i——注意力加权特征向量；a_ij——经过softmax层后，目标特征输出第i时刻的特征向量时，所对应输入特征第j时刻的特征向量的注意力大小；

步骤五，模型加入Dropout算法、Adam优化器优化模型且防止过拟合。

2.根据权利要求1所述的改进的超短期风电功率预测算法，其特征在于：所述空缺值填充包括填充固定值、均值、中位数、众数、上下条数据、插值得到的数据。

3.根据权利要求1所述的超短期风电功率预测模型建立方法，其特征在于：在步骤五中，Dropout算法在深度学习神经网络每次迭代训练时，随机将部分神经网络单元暂时丢弃，丢弃范围为0.1～0.5，节省时间且防止过拟合问题。

4.根据权利要求1所述的超短期风电功率预测模型建立方法，其特征在于：Adam优化器基于数据迭代更新神经网络权重。