结合注意力机制与LSTM的短期风电功率预测模型

摘要：

风力发电预测在电力系统的运行中发挥着重要作用.现有风电功率的短期预测模型因风速的复杂性和随机性,难以确定风速与风电功率的非线性映射关系,导致预测精度降低.提出一种结合变分模态分解、双阶段注意力机制、误差修正模块与深度学习算法的短期风电功率预测模型.通过对原始数据进行互信息特征选择,获得与风电功率相关性较强的特征,并对其进行信号预处理,利用变分模态分解对多维特征序列进行分解,得到具有一定中心频率的模态分量,以降低各个特征序列的复杂性和非平稳性.采用基于双阶段注意力机制与编解码架构的长短时记忆(LSTM)神经网络对模态分量进行训练与预测,得到初始预测误差.在此基础上,利用误差修正模块对初始预测误差进行变分模态分解和修正,从而提高模型的预测精度.实验结果表明,与自回归移动平均模型、标准编解码结构的LSTM模型相比,该预测模型的平均绝对误差最高可降低约87％,具有较优的预测性能.

关键词：短期风电功率预测、变分模态分解、长短时记忆神经网络、注意力机制、误差修正

所属期刊栏目：48

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61902285

在线出版日期：2022-09-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：286-297,304