本文是一篇能源动力类论文，文中采用的预处理技术提高数据存储质量为数字化和智能化提供坚实基础，实验仿真对比多种机器学习算法并进行精确分析。最后提出了一种使用改进的Informer模型来预测新能源发电功率长时间序列。
第1章绪论
1.1课题研究背景和意义
在过去，化石能源一直以来都是满足世界能源消耗的最主要能源，而这种能源消耗的单一性造成了诸多环境和能源安全的问题。如化石能源尤其是煤炭在发电过程中释放的大量二氧化碳是造成温室效应和环境污染等问题的主要因子。并且受到石油危机以及气候变化等诸多因素的综合影响，清洁能源的可持续发展逐渐成为国际社会的共识理念，可再生能源的有效利用和开发也逐渐受到越来越多的世界各国的高度关注。自从进入21世纪能源安全和环保问题日渐突出，绝大多部分国家将更加关注和开发可再生能源并且将其作为国家发展重要组成成分。为有效缓解能源供应矛盾，减少二氧化碳等温室气体排放，积极应对气候变化，各个国家纷纷制定相应地发展战略，大部分国家也都提出一个明确的发展规划和相应的政治政策，从而推动各行业对可再生能源的发展和利用。发达国家和发展中国家所制定的可再生能源发展规划，详细介绍了各类相关的政策法律法规。以此促进可持续能源的发展和相关地行动计的顺利推进。经过多年的持续不懈努力可再生能源发展已经取得了明显成效，其建设成本持续下降，市场规模不断扩大。直到2020年底，全国发电装机容量达到二十二万千瓦，比上年增长百分之九点。其中，风力发电机组地装机容量达二万八千多万千瓦，增长百分之三四。光伏发电机组并网装机容量达两万五千万千瓦，增长百分之二四。同时，在能源消费持续增长和气候环境不断恶化的严峻形势的大环境下，大力发展新清洁能源越来越受到人们和国际社会的关注，风力发电和光伏发电是其中最重要的清洁能源发电。无论是从能源地可持续性还是从环境友好的方面来看，风力和光伏发电都具有明显的优势，因此具有广阔的发展前景[1-4]。
1.2国内外研究现状
（1）国外研究现状
国外学者从上世纪70年代开始进行风力和光伏功发电率预测等问题的研究。基于不同的划分标准有不同的预测方法，根据预测的空间尺度差异，可以将预测方法分为单场预测和区域预测[11-13]。根据风力发电和光伏发电的功率预测时间尺度划分为三种：1.四小时以内的超短期预测。2.七二小时以内的短期预测。3.一个月至一年以内的中长期预测[14]。不同的风力发电和光伏发电的功率预测过程可分为两种：间接预测和直接预测[15]。根据预测结果的形式风力发电和光伏发电的功率预测可分为不同程度的预测其可分三种：概率预测、区间预测和点预测。概率预测使用预测期前的样本统计量，不同时间的风力和光伏发电未来的期望和功率的概率分布，其主要应用于电力调度网络评估以及风险评估，从而预防可能地失败和不利影响的不确定性因素，其中区间概率预测也被成为不确定性或者区间预测。在不同的置信超参数设定下，它们可以限制风电和光伏发电的预测范围[16-17]。
点预测的结果是一个具体的预测的确定值，目前大多数研究集中于点预测上因为点的预测结果比较直观[18,19]。依据风力发电和光伏发电预测方法，其方法目前主要划分为物理、统计、元启发式学习和组合等多种方法，其中图1-1是对对点预测方法进行更加详细分类说明，图中列出了各种预测方法中常见的几种预测方法。
第2章新能源发电功率预测理论基础
2.1新能源发电功率预测基本原理及特点
新能源发电功率预测是依据风力和光伏电站的历史数据的变化规律以及气象信息，从而预计或判断未来发电功率发展趋势。在进行新能源发电站电力预测之前，分析一下新能源发电站电力功率预测的基本原理和特征。
2.1.1新能源发电功率预测的可行性
新能源发电功率在在不同的实际环境中都存在许多物理现象，当数据逼真的反应当地实际情况时，新能源发电功率预测模型输出才能更加精确的拟合真实数据。新能源发电功率基本原理如下：
（1）可能性原理。新能源发电功率变换受到内在因素和外在因素的共同作用，不同影响因素造成的影响结果可能不同，导致发电功率变化的方向具有多种可能性。准确地预测一个具体发电功率数据，必须依据其发电功率变化的多种可能性，进行多种可能性的预测从而选取准确度最高的那个做为最终预测结果。
（2）可知性原理。由于新能源发电功率历史数据变化规律可以被获取，新能源发电功率历史数据是客观存在的，所以人们可以总结过去新能源发电功率数据推测未来发电功率数据。
（3）周期性原理。大多数事物具有周期性变化的，也就是说事物未来的变化规律和现在具有相似规律，与过去也可能具有相似规律。可以有效地利用这一特点，新能源发电功率预测可以科学地预测未来某个时刻的具体风电和光伏发电功率数据。
（4）连续性原理。任何事物都是在原有属性特征的前提下，进行不断变化，衍生得到新的特性。新能源发电功率数据的某一时刻的值是在前面几个时刻发电功率数据的前提下，在各种影响结果的作用下得到的。
（5）统一性原理。新能源发电功率的发展变化由于来自内在因素与外在因素的双重影响，仅当内在统一性和外在统一性均处于最好状态时，才可以更加有效地提高风力和光伏发电功率预测的准确度。
2.2电力系统功率预测相关模型和算法
电力系统的功率预测方法主要通过发电功率与相关影响因素建立数学模型，预测方法大体可以分为两类，基于物理模型的符合预测方法和基于数据驱动的机器学习方法。本节重点介绍基于机器学习的相关模型和算法。
2.2.1机器学习介绍
机器学习已经发展了近百年的时间。17世纪，Bayes、Laplacian、最小二乘和Markov链被广泛应用于机器学习研究。上世纪五十年代，艾伦图灵在2000年第一次提出建立学习机，同时在机器学习的子领域中的深度学习目前取得了实际应用和极大的研究进展，2012年提出的AlexNet的卷积神经网络标志着机器学习取得了突破性进展。自二十世纪五十年代开始研究机器学习到现在，机器学习研究已经取得了显著的成就。然而不同时期的研究方法和研究目标都不尽相同，大致可分为以下四个阶段。第一阶段为二十世纪五十年代中期至六十年代中期，这一期间主要是无知识的学习研究。该方法主要研究系统的操作能力，主要是通过调整机器所在的特定环境以及其相应的性能参数来监测系统，从而获得机器反馈的数据信息。这就像通过改变它们的值来向系统写程序一样。机器学习最有代表性的研究是以Samuet为代表的下棋程序。在这个程序原理在于系统根据将会受到的程序的影响而进行反馈调节，最后这个系统将会选择一个最优的输出结果。在当时这个时期最具有代表性的。随着时代的发展和科技的进步，这种机器学习方法的缺点日渐显露，它已难以满足人们的现实需求。从六十年代中期到七十年代中期为第二阶段。这一阶段的研究重点侧重于系统中存储识各个领域的专家知识。这个阶段的研究目标是通过机器模仿人类在学习知识的学习过程。然而，研究者使用虚拟语言和符号系统来表达知识是一个漫长的过程，实验表明该方法取得了一定的效果。这一阶段的代表方法是结构学习系统方法。在七十年代中期到八十年代中期为第三阶段，科学家和研究人员从学习任务从单一到多个概念进行扩展以求得探索和运用不同的学习策略和方法，其成功地将机器学习系统与多个应用场景相结合。因此专家系统在知识获取方面的需求，极大地推动了机器学习在当时的研究与发展进程。
第3章基于宽度神经网络的新能源发电功率预测.............................21
3.1宽度神经网络发电量预测的整体框架及流程..........................21
3.2新能源发电功率数据的预处理.............................22
第4章基于传统和深度学习模型的新能源发电功率预测................33
4.1基于传统机器学习方法的新能源发电功率预测......................33
4.2基于深度学习方法的新能源发电功率预测..............................36
第5章基于改进深度学习模型的长时间序列新能源发电功率预测............41
5.1长时间序列预测Informer深度学习模型.........................41
5.2基于改进的Informer长时间序列的新能源发电功率预测.....42
第5章基于改进深度学习模型的长时间序列新能源发电功率预测
5.1长时间序列预测Informer深度学习模型
许多实际应用要求长序列时间序列预测（Long sequence time-series forecasting，LSTF）具有较高的预测精度，尤其对新能源发电功率的长时间序列预测具有重要意义，为电力系统的正常安全运行提供预警以及电网调度提供依据。现有的一些预测任务模型如RNN、LSTM和Transformer，但它们的体系结构限制了预测性能。为了解决这一问题，周号益等人[66]于2021年首次提出了一种基于长时间序列时间预测的高效模型Informer，该模型具有三个特点：（1）稀疏自注意块具有良好的序列对齐性能；（2）自注意提取特征，其通过卷积池化使每一层的序列长度减半以有效地处理长输入序列来提取主要注意特征；（3）生成式解码器在一次前向操作中预测长时间序列，大大提高了长序列输出的推理速度。文献[66]中的实验表明，Informer模型在长序列时间预测中具有较好的性能。Informer模型和编码器的单个堆栈的主要结构分别如图5-1（a）和5-1（b）所示。
第6章总结与展望
6.1总结
在计算机硬件和数据存储技术的不断提升时代的背景下，为新能源发电功率预测的普及提供了巨大的可能性。新能源发电功率预测是电力调度部门不可或缺的重
