基于超参数优化和双重注意力机制的超短期风电功率预测

作者：康田雨; 覃智君^*

来源：南方电网技术, 2022, 16(05): 44-53.

DOI：10.13648/j.cnki.issn1674-0629.2022.05.006

• 风电功率预测
• 深度学习
• 注意力机制
• 长短时记忆网络
• 卷积神经网络
• 超参数优化

高精度的风电功率预测在电力系统的安全稳定运行和能源系统的优化配置中至关重要。为了从多维风电历史数据中提取隐藏信息，准确选择与预测目标高度相关的高维特征，克服时间序列的短时记忆问题，提出了一种以卷积神经网络-双向长短时记忆网络(convolutional neural network and bidirectional long short term memory network, CNN-BiLSTM)为基础模型，结合双重注意力机制和贝叶斯优化算法的风电功率超短期预测模型。首先，为了自主挖掘输入特征与风电功率之间的数据关联，进一步突出重要特征影响，在常规的CNN架构上增加注意力机制，构建特征注意力模块；然后在BiLSTM网络输出端引入注意力机制形成时间注意力模块，增强BiLSTM网络的长时记忆能力，加强重要历史信息的影响；最后，采用贝叶斯优化算法优化所提模型的超参数，选取最优超参数，发挥模型最佳性能。以中国西北某风电场实际数据进行验证，模型的单步预测精度达到95.58%。多步预测结合数值天气预报信息实现4 h前超短期预测，其精度达到90.44%。实验结果表明所提基于超参数优化和双重注意力机制的预测模型相比其他模型具有更高的预测精度。

• 单位
  广西大学