引入注意力机制的CNN和LSTM复合风电预测模型
李静茹，姚方
(山西大学 电力与建筑学院，山西 太原 030013)
能源是社会发展及经济增长的主要驱动力，传统的化石能源不再符合绿色发展的需要，因此可再生能源不断兴起。风能作为近年来发展最快的能源之一，已在世界范围内得到了广泛关注。但是，由于自然因素的影响，风力发电的随机性和波动性较为明显[1]。当大量风电注入电网时，将会打破功率平衡，给电力系统带来了诸多挑战，因此有必要对风电的输出功率进行准确预测。
风电功率预测包括物理方法和统计方法[2]。物理方法建模复杂，存在成本较高的问题[3]，而统计方法依赖于大量的历史数据，主要包括灰色预测法[4]和自回归移动平均[5]等时序预测法和人工神经网络[6]等人工智能法。当前的预测模型正在由机器学习向深度学习转移[7]，长短期记忆网络(long short-term memory，LSTM)作为一种常见的深度学习算法已被应用到风电功率预测中[8]，它善于处理长序列数据，能够自动学习到输入数据之间的关系。文献[9]首先用Pearson相关系数选择出对风电功率影响较大的因素作为模型的输入，然后利用LSTM网络对多变量时间序列建模，有效地减小了模型的复杂度，提高了预测准确度。文献[10]提出了一种利用LSTM网络滚动预测的方法，每15 min更新一次数据集，实现网络的滚动更新，有效地提高了预测精度。
本文提出了一种引入注意力机制的卷积神经网络(convolutional neural network，CNN)和LSTM复合预测模型。首先应用CNN对输入数据进行卷积处理，增强输入与输出之间的相关性；
然后通过LSTM网络对时序数据进行预测，并将注意力机制添加到LSTM输出中；
最后将训练好的网络预测风电出力。试验结果表明本文所提方法可以有效地提高预测精度。
1.1 卷积神经网络
卷积神经网络[11]是一种包含卷积处理的深度神经网络，它的主要特点是参数共享、稀疏连接和池化操作，其独特的结构可以减少深层网络所占的内存，并减少过拟合的风险。卷积神经网络具有提取特征的能力，其中一维卷积作为一种神经网络体系结构，它可以从时间序列数据中提取特征输入。
CNN的结构主要包括两部分，第一部分是卷积层，在这一层中，卷积核与前一层的局部区域连接并进行卷积计算，提取前一层的主要特征，计算公式如式(1)所示。
(1)
|
本站文章均为原创投稿，仅供下载参考，付费用户可查看完整且有格式内容！
(费用标准：38元/2月，98元/2年，微信支付秒开通！) |
| 升级为会员即可查阅全文 。如需要查阅全文，请 免费注册 或 登录会员 |
|
