结合注意力机制与LSTM的短期风电功率预测模型

作者：廖雪超; 伍杰平; 陈才圣

来源：计算机工程, 2022, 48(09): 286-297+304.

DOI：10.19678/j.issn.1000-3428.0062059

• 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

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。

• 单位
  武汉科技大学