融合深度误差反馈学习和注意力机制的短期风电功率预测

• Published in: 电力系统保护与控制 Vol. 52; no. 4; pp. 100 - 108
• Main Authors: 胡宇晗, 朱利鹏, 李佳勇, 李杨, 曾杨, 郑李梦千, 帅智康
• Format: Journal Article
• Language: Chinese
• Published: 湖南大学电气与信息工程学院,湖南 长沙 410082 16.02.2024
• Subjects: 注意力机制; deep learning; LSTM; feedback learning; attention mechanism; 风电功率预测; 反馈学习; 深度学习; 长短时记忆单元; wind power forecasting
• ISSN: 1674-3415
• DOI: 10.19783/j.cnki.pspc.230914

为提高风电功率预测精度,提出了一种有机融合深度反馈学习与注意力机制的短期风电功率预测方法.首先,以风电场数值天气预报(numerical weather prediction,NWP)为原始输入,基于双层长短期记忆网络(long short-term memory,LSTM)模型对风电功率进行初步预测.其次,利用极端梯度提升(eXtreme gradient boosting,XGBoost)算法构建误差估计模型,以便在给定未来一段时间内 NWP 数据的情况下对初步预测误差进行快速估计.然后,利用自适应白噪声完备集成经验模态分解法(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将初步预测误差分解为不同频段的误差序列,并将其作为附加性反馈输入,对风电功率进行二次预测.进一步在二次预测模型中引入注意力机制,为风电功率预测序列与误差序列动态分配权重,由此引导预测模型在学习过程中充分挖掘学习与误差相关的关键特征.最后,仿真结果表明所提方法可显著提高短期风电功率预测的可靠性.