基于时间模式注意力机制的BiLSTM多风电机组超短期功率预测

作     者：王渝红 史云翔 周旭 曾琦 方飚 毕悦 WANG Yuhong;SHI Yunxiang;ZHOU Xu;ZENG Qi;FANG Biao;BI Yue

作者机构：四川大学电气工程学院成都610065 国网四川综合能源服务有限公司成都610031 

出 版 物：《高电压技术》 (High Voltage Engineering)

年 卷 期：2022年第48卷第5期

页      面：1884-1892页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0807[工学-动力工程及工程热物理] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：四川省科技计划(2021YFG0026) 

主　　题：超短期风电功率预测 多风电机组 时间模式注意力机制 双向长短时记忆 集合经验模态分解 

摘      要：针对现有预测方法难以批量处理多风机间不同特征的问题,提出了基于时间模式注意力(temporal pattern attention,TPA)机制的双向长短时记忆(bidirectional long short-term memory,BiLSTM)网络多风电机组超短期功率预测方法。首先,基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)获得风机原始功率信号的不同模态分量,以降低神经网络预测难度。其次,基于TPA机制,从Bi LSTM网络得到的隐藏行向量中提取多风机之间的复杂联系,从而使得具有不同特征的模态可以从不同时间步选择相关信息,进而降低各模态的预测误差。最后,将TPA机制与传统注意力机制应用于分散分布的14台风机区域功率预测任务。研究结果表明:基于本方法的多风电机组超短期功率预测的标准均方根误差仅为0.0546,证明TPA机制能有效提高多风电机组的超短期功率预测精度。