10.13336/j.1003-6520.hve.20210557
基于IDSCNN-AM-LSTM组合神经网络超短期风电功率预测方法
针对传统超短期风电功率预测方法难以应对海量强波动性数据,且对时间序列处理能力有限的问题,提出一种基于改进的深度可分离卷积神经网络(the improved depth wise separable convolution neural networks,IDSCNN)、注意力机制(attention mechanism,AM)、长短期记忆神经网络(long short-term memory neural network,LSTM)的超短期风电功率组合预测方法.首先,基于IDSCNN设计能够匹配风电场群时空维度变换的可分离卷积核尺寸,对数值天气预报数据、实测功率数据进行一次时空特征提取,以获取气象-功率时空特征.然后,结合AM强化一次时空特征长时间序列中局部重要信息的贡献程度,筛选出与未来预测功率密切相关的二次时空特征,以作为LSTM预测模型的输入时间序列.最后,建立包含改进的深度可分离卷积层、注意力权重分配层、LSTM预测层的IDSCNN-AM-LSTM组合神经网络超短期风电功率预测模型.仿真结果表明:该方法能够利用深度学习在挖掘高维非线性特征时的优势,对多个风电场之间的时空相关性进行充分学习,而且在单步风场功率预测和多步集群功率预测上,与其他预测模型相比均具有较高的预测精度和较好的时序学习能力.
超短期风电功率预测、深度可分离卷积、注意力机制、长短期记忆神经网络、时间序列
48
TP391;S;TP183
国家电网公司总部科技项目5108-202155037A-0-0-00
2022-07-29(万方平台首次上网日期,不代表论文的发表时间)
共11页
2117-2127