由于环境影响,发电成本和快速增长的需求,电力系统中可再生能源(RES)的利用一直在迅速增长。因此,由于其在其他自然资源(如煤炭能源和其他类型的能源生产资源)上的优势,在当今和未来的研究中变得越来越重要。它无污染,占地面积少,价格便宜,施工时间短。文献中有许多用于风电预测的技术,包括简单到复杂的技术(AR,ARIMA,模糊网络,SVM,贝叶斯,卡尔曼滤波器)。文献中也使用了单一到混合模型。为此,在短期风电预测的预测中也使用了机器学习。在本文中,我使用深度学习技术来预测长达数小时的短期风力发电。我没有使用Anwen的深度学习神经网络CNN[80],而是使用了三个深度学习神经网络和一个与CNN-LSTM组合的神经网络来比较它们的MSE,并查看哪个神经网络总体上效果最佳。在此之前,风能数据要经过数据预处理阶段,而不是馈送到主模型中的风能数据。除了 CNN模型图外,我还对LSTM,ConvLSTM,CNN-LSTM神经网络使用了简单的模型图。本文采用卷积神经网络(CNN),长短期记忆(LSTM)和卷积LSTM(ConvLSTM)等深度学习神经网络进行风电功率预测。由于CNN具有处理大数据的优势。CNN以2D形式处理数据,并在图像视觉/处理领域具有优势。LSTM的RNN可以保留很长时间,这是它们的默认特性。ConvLSTM也是LSTM的一种,其中内部矩阵乘法被用于预测风能的卷积运算代替。本文还使用CNN-LSTM神经网络的组合来预测风能。2018年的历史风电数据取自Elia风力发电场,作为上述神经网络的输入。主模型图分为训练,验证和测试数据阶段,因此我们可以拥有用于测试数据以进行预测的最佳模型。输出结果显示了上述模型接下来20小时的真实功率和预测功率。CNN,ConvLSTM,.CNN+LSTM采用2D作为输入,而LSTM采用1D输入,因为它提供了更好的结果。结果表明,与ConvLSTM,CNN和CNN+LSTM相比,LSTM的性能更好。用作性能指标的均方误差和LSTM在所有模型中均具有较小的均方误差。得出结论如下,在几乎所有时间范围(短期,中期,长期预测)中,LSTM和ConvLSTM都更适合于时间序列预测,但是LSTM将超越文献中存在的其他时间序列模型。最重要的是,对于CNN,MSE 比文献中[80,82]的其他技术有所改进。将均方误差用作性能标准,并绘制实际值与预测值的比较值,并比较它们的MSE值,以查看哪个性能更好。Python用于编码和预测。