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

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(longshort-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。     

基于W-BiLSTM的可再生能源超短期发电功率预测方法

针对现有新能源超短期预测方法难以有效挖掘和分析数据的固有波动规律,且当时序过长时易丢失重要信息等问题,提出了一种基于注意力(Attention)机制的小波分解-双向长短时记忆网络(W-BiLSTM)超短期风、光发电功率预测方法.首先,利用小波分解提取输入时间序列的时域信息和频域信息.随后,考虑双向信息流,采用双向长短时记忆网络(BiLSTM)进行预测,引入注意力机制,通过映射加权和学习参数矩阵赋予BiLSTM隐含状态不同的权重,有选择性地获取更多有效信息.最后,通过实际数据进行仿真验证.仿真结果表明,所提模型与现有模型相比,具有良好的预测性能.     

基于卷积神经网络特征提取的风电功率爬坡预测

为提高风电功率爬坡预测的准确性,提出了一种基于卷积神经网络、长短期记忆网络和注意力机制的风电功率爬坡预测方法。首先,针对风电功率爬坡发生次数少、特征复杂、预测模型难以对小样本爬坡事件有效学习的问题,使用卷积神经网络对风电功率序列进行特征提取。然后,使用长短期记忆网络建立预测模型,解决风电功率的长时依赖问题,并在模型中加入注意力机制对长短期记忆网络单元的输出进行加权,从而加强风电特征的学习,提高爬坡预测准确度。仿真验证表明,模型对风电功率爬坡预测有较高的准确性。     

考虑特征重组与改进Transformer的风电功率短期日前预测方法

短期日前风电功率预测对电力系统调度计划制定有重要意义,该文为提高风电功率预测的准确性,提出了一种基于Transformer的预测模型Powerformer。模型通过因果注意力机制挖掘序列的时序依赖;通过去平稳化模块优化因果注意力以提高数据本身的可预测性;通过设计趋势增强和周期增强模块提高模型的预测能力;通过改进解码器的多头注意力层,使模型提取周期特征和趋势特征。该文首先对风电数据进行预处理,采用完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将风电数据序列分解为不同频率的本征模态函数并计算其样本熵,使得风电功率序列重组为周期序列和趋势序列,然后将序列输入到Powerformer模型,实现对风电功率短期日前准确预测。结果表明,虽然训练时间长于已有预测模型,但Poweformer模型预测精度得到提升;同时,消融实验结果验证了模型各模块的必要性和有效性,具有一定的应用价值。     

基于DA-CNNGRU混合神经网络的超短期风电场功率预测方法

风力发电功率受到风速、风向等气象因素而呈现强波动性与随机性,对超短期风电功率精确预测提出了挑战.针对上述问题,提出一种基于双重注意力机制-CNNGRU混合神经网络的超短期风电功率预测方法.首先,为提升模型对输入数据矩阵的时空特性提取能力,提出一种基于卷积神经网络结合门控循环单元神经网络的组合算法;其次,为提升模型对强相...     

基于气象特征挖掘和改进深度学习模型的风电功率短期预测

为提高风电功率短期预测的准确度,需进一步挖掘气象特征,为此,提出一种基于贝叶斯优化调参的特征挖掘改进深度学习模型。对气象因素提取多时间尺度下的统计特征、组合特征和类别特征;构建包含长短时记忆神经网络与注意力机制结合模块、Embedding模块和输出模块的深度学习模型,将连续数值特征输入长短时记忆神经网络与注意力机制结合模块,将类别特征输入Embedding模块;由贝叶斯优化调参进行特征组合选择,找出最优特征组合,得到最终的风电功率预测结果。与某风电场历史数据的对比分析表明,所提方法能有效提高风电功率的预测精度。     

基于混沌CSO优化时序注意力GRU模型的超短期风电功率预测

高精度的风电功率预测对风电的并网运营至关重要.为提取风电功率输入序列隐含的时间信息,建立以门控循环单元为基础的预测模型;并在模型输入侧引入时序注意力机制,通过与输入进行加权的方式提高模型对关键历史时间节点的敏感性.为加速模型收敛,在训练的早期利用动态混沌纵横交叉算法优化预测模型的权值和阈值;同时,通过构造多指标共同作用并联合待优化参数的正则项作为目标适应度函数,以避免优化过程中模型泛化性问题的出现.以某风电场采集间隔为1h和10min的实测数据进行实验,结果表明所提组合预测方法性能优于其他对比模型,并对其有效性进行了验证.     

基于SSA-BiLSTM-AM的短期风电功率预测

风电功率的准确预测可以有效地减少并网波动。现有的风电功率预测模型存在输入特征过多、超参数选择难、时序过长易丢失重要信息等问题。为此,提出了一种麻雀搜索算法(SSA)优化双向长短时记忆(BiLSTM)加注意力机制(AM)的短期风电功率融合预测模型。首先,SSA对BiLSTM神经网络的节点数、学习率和训练次数等超参数进行寻优,确认最佳参数;然后,引入AM对BiLSTM的输入特征分配不同权重,强化关键特征;最后,应用所提模型对新疆210 MW风电场的风电功率进行预测,并与其他模型的预测结果对比。结果表明,SSA-BiLSTM-AM预测模型的均方根误差(RMSE)为5.411 4、平均绝对误差(MAE)为3.674 9,显著优于其他模型的预测精度,证明了SSA优化算法和AM能够有效提高风电机组的短期功率预测精度。     

基于PF-RBF神经网络的短期风电功率预测

为了提高风电功率的预测精度,研究了一种基于粒子滤波（PF）与径向基函数（RBF）神经网络相结合的风电功率预测方法。使用PF算法对历史风速数据进行滤波处理,将处理后的风速数据结合风向、温度的历史数据,归一化后构成风电功率预测模型的新的输入数据;利用处理后的新的输入数据和输出数据,建立PF-RBF神经网络预测模型,预测风电场的输出功率。仿真结果表明,使用该预测模型进行风电功率预测,预测精度有一定的提高,连续120 h功率预测的平均绝对百分误差达到8.04%,均方根误差达到10.67%。     

考虑气象相似性与数值天气预报修正的海上风功率预测

风功率的准确预测对于海上风电的并网运行意义重大。相比于陆上风电,海上数值天气预报信息(numerical weather prediction,NWP)不准确、爬坡事件频发等因素,使得其预测精度难以满足实际需求。在对海上功率预测的技术难点进行总结的基础上,提出了基于气象相似性和NWP修正的海上短期模型,提前24～72 h进行风功率预测。首先,模型通过对数据样本进行初步气象相似性分类以提高预测精度;然后对未来时刻的风功率波动范围进行预测归类,以降低爬坡事件对预测造成的影响;接着通过对NWP的精确度与模型误差之间的内在联系进行挖掘,实现预测结果的NWP修正。算例部分对国内某海上风电场进行仿真预测,结果表明所提模型对于功率爬坡、NWP信息异常等情况都有较好的预测精度。     

基于改进局部自注意力机制的VMD-GRU模型短期风电功率预测

较高的随机波动性使得风电功率的预测十分困难。为改善风电功率预测的效果,建立了一种基于变分模态分解（variational mode decomposition,VMD）、改进局部自注意力机制（Improved Local Self-Attention,ILSA）和门控循环单元网络（gated recurrent unit,GRU）的短期风电功率预测方法。使用VMD分解将原始风电功率序列分解为中心频率不一的子模态;对各子模态的中心频率分别建立具有不同高斯偏置优化窗口大小的ILSA模型,并改进其注意力分数公式以更有效地提取信息;采用GRU模型进行风电功率预测,并对各预测序列进行重组,得到最终的预测结果。实验结果表明,相比于各传统模型,所提改进方法能有效提高风电功率预测精度,且对于低频分量有更高的拟合度。     

结合交叉局部异常因子和注意力机制的 超短期风电功率预测方法

风电样本数据的质量和风功率预测模型的结构直接影响风电功率预测的精度,提出一种结合交叉局部异常因子(Local Outlier Factor, LOF)和注意力机制的高精度超短期风电功率预测方法。通过交叉LOF算法进行分钟级的风电数据异常孤立点检测,有效提高了样本数据的质量。通过增加注意力机制避免长短期记忆(Long Short-Term Memory, LSTM)算法在编解码过程中固定长度向量导致的数据特性损失问题,从而更有效利用历史数据的特征,提高风功率预测的精度。最后,对真实风场实测数据进行实验分析,验证了所述方法的可行性与准确性。     

基于深度门控循环单元神经网络的短期风功率预测模型

随着新能源的不断发展,大量大容量风电机组并入电网运行,给电网的安全可靠运行以及风力发电的可持续发展都提出了新的挑战。提出一种风功率预测模型,该模型以风电场风功率历史数据以及风速、风向等数值天气预报数据作为输入对风功率进行预测。考虑到风功率预测中输入数据的波动性和不确定性,在传统门控循环单元(GRU)神经网络的基础上融合卷积神经网络(CNN),以提高模型对原始数据的特征提取和降维能力,并引入dropout技术减少模型中的过拟合现象。工程实例分析表明,所提模型在预测准确度和运算速度方面均优于长短记忆神经网络模型。     

基于多元注意力框架与引导式监督学习的闭环风电功率超短期预测策略EI北大核心CSCD

以风电为代表的新能源发电装机容量占比逐年增长,精确的风电功率超短期预测对提高风能利用率、助力双碳实现有重要意义。该文提出一种基于多元注意力框架与引导式监督学习的闭环风电功率超短期预测策略,从特征筛选、模型优化、策略改良3个角度全面提高预测准确性与模型智能性。首先,采用动态权重特征选择算法、孤立森林算法以及最邻近节点算法筛选并处理数据,便于预测模型更好把握其中特征;其次,对长短期记忆(long short term memory,LSTM)基模型多角度优化,并根据基模型中不同信息的特点,构建关于LSTM的多元注意力框架(Multielement-attention-LSTM),将此框架用于对LightGBM集成学习模型的引导,并通过多种可视化方法提高了模型可解释性;最后,将Bland-Altman应用于模型输出与实际风电出力一致性检验,在预测数据与实际数据交互的基础上实现训练–预测闭环机制。仿真结果表明,所构建的Multielement-attention-LSTM框架具有提高模型预测精度的作用,且闭环更新机制具备合理性。     

基于NWP单点聚类分析与BP神经网络的短期风电功率预测

采用学习方法建模进行短期风电功率预测时,模型的输入数据一般为数值天气预报(NWP),输入数据的选取对模型的准确性起着很重要的作用。通过单点聚类对风电场的历史NWP数据进行聚类分析,从中寻找与预测日单点NWP最相近的样本,运用神经网络建模对预测日的短期风电功率进行预测并对某风电场发电功率预测进行仿真实验,与未对NWP数据进行聚类处理的预测对比,证明了该方法的可行性和有效性。     

基于自适应时序表征和多级注意力的超短期风电功率预测

针对风电功率数据包含的多尺度时间信息难以描述、现有方法未充分考虑气象因素对于风电功率动态耦合的影响而导致的预测性能下降等问题,提出了一种基于自适应时序表征和多级注意力的超短期风电功率预测方法。采用时序嵌入层对风电功率序列进行表征以获取其周期、非周期模式,并引入自注意力捕捉高维风电功率序列的自相关性;利用交叉注意力重构风电功率与气象因素,形成包含两者耦合关系的多维特征序列;利用一维卷积神经网络沿时间、特征方向分别挖掘多维特征序列的时间相关性和空间相关性,进而利用长短期记忆网络提取相应的时序特征,并将所得时序特征经全局注意力去噪和门控机制融合后输入全连接层,分别进行点预测和区间预测。实验结果表明,所提方法能够获得准确的点预测值和可靠的预测区间。     

考虑风电时序特性的深度小波-时序卷积网络超短期风功率预测

超短期风电功率预测对于电力系统生产调度计划的制定具有重要意义，风电出力具有较强的随机性、波动性、不可控性。风电不确定性对风电时序关系的影响，给风电功率预测精度提出了挑战。针对上述问题，提出了基于离散小波变换(discrete wavelet transformation,DWT)、双深度Q网络(doubledepth Qnetwork,DDQN)、时序卷积网络(temporal convolutionalnetwork, TCN)和注意力机制(Attention)的DWT-DDQN-TCN-Attention(DWT-DTCNA)超短期风功率预测方法。首先，利用DWT将风电数据序列分解为不同频率的风电数据集，对不同频率的风电数据集做自相关函数分析，提取高自相关性的风功率训练子集作为预测模型的输入。其次，根据DWT分解后得到的不同频率风功率数据集分别训练相应的TCNA的风电超短期预测模型，深度挖掘风电功率时序关系，获得精度更高、更稳定的预测结果。为减少深度学习模型的参数对预测精度的影响，采用DDQN算法优化预测模型的参数。最后，利用DWT将不同频率超短期风功率预测结果进行重构，获得了预测...     

基于人工神经网络的风电功率预测

风电场输出功率预测对接入大量风电的电力系统运行有重要意义。对风速和风电场输出功率预测的方法进行了分类。根据风电场输出功率的影响因素,建立了风电功率预测的神经网络模型。分析了实测功率数据、不同高度的大气数据对预测结果的影响。建立了基于神经网络的误差带预测模型,实现了误差带预测。研究结果表明,神经网络的结构和输入样本对预测结果有一定的影响;实测功率数据作为输入可以提高提前量为30 min的预测精度,而对提前量为1 h的预测精度会降低;把不同高度的数据都作为神经网络的输入比只采用轮毂高度数据的预测精度高;设计的神经网络能够对误差带进行预测。     

考虑信息时移的分布式光伏机理-数据混合驱动短期功率预测

分布式光伏短期功率预测缺乏同时空气象数据。传统方法直接借助邻近集中式光伏站点数据进行功率预测,忽略了地理位置偏移带来的气象信息时移,难以满足预测精度要求。文中提出了一种考虑气象信息时移的混合预测方法。在机理驱动模型中,采用最优时移对气象数据进行偏移修正;在数据驱动模型中,引入时间模式注意力机制削弱气象数据偏移的影响。然后,通过Stacking集成学习框架将两种方法进行融合,形成机理-数据混合驱动模型,进一步提高预测稳定性及准确率。基于分布式光伏和公共气象站点实际数据进行的案例分析表明,所提方法能够有效利用偏移地理位置的气象数据,实现更高精度的分布式光伏发电功率预测。     

基于周期信息增强的Informer光伏发电功率预测

针对光伏发电功率预测方法难以捕捉层次时序信息导致预测精度提升受限的问题，提出基于周期信息增强的Informer光伏发电功率预测方法。首先，提取光伏发电功率序列标量投影、局部时间戳和全局时间戳建立周期信息增强的预测模型嵌入层；然后，通过Informer模型概率稀疏自注意力主动筛选光伏发电功率与特征变量间重要联系，采用卷积层和池化层对模型变量维度和网络参数进行自注意力蒸馏；最后通过解码层生成式机制进一步预测单序列和长序列发电功率。通过仿真验证，所提模型预测精度更高，能够对光伏发电功率进行长时间预测。