为了提高短期风电功率预测的准确性,提出一种基于贝叶斯优化和特征融合的xLSTM(extended Long Short-Term Memory)-Transformer模型。该模型综合应用长短期记忆(LSTM)网络的时序处理能力和Transformer的自注意力机制的动态特征融合能力...为了提高短期风电功率预测的准确性,提出一种基于贝叶斯优化和特征融合的xLSTM(extended Long Short-Term Memory)-Transformer模型。该模型综合应用长短期记忆(LSTM)网络的时序处理能力和Transformer的自注意力机制的动态特征融合能力。借助贝叶斯优化方法,模型可在较少的迭代次数条件下优化超参数,显著降低模型对计算资源的依赖。实验结果表明,内蒙古某风电场数据集上,与单一的LSTM模型、Transformer模型、门控循环单元(GRU)模型以及未采用贝叶斯优化和特征融合的xLSTM-Transformer模型相比,当步长(LookBack)为4和8时,所提模型的决定系数R2较基准模型平均提升1.2%~11.3%;平均绝对误差(MAE)平均降低12.8%~38.4%;均方根误差(RMSE)平均降低8.6%~35.8%。结果表明,所提模型在短历史输入条件下具有更高的预测精度与稳定性。展开更多
随着全球能源结构向低碳化转型加速,风电并网规模的持续扩大使得其功率波动性与时空耦合特性成为制约电网安全经济运行的一大难题。针对风电集群功率预测中的时空依赖性和风电场间协同机制不明问题,该文提出了一种基于双重注意力机制与...随着全球能源结构向低碳化转型加速,风电并网规模的持续扩大使得其功率波动性与时空耦合特性成为制约电网安全经济运行的一大难题。针对风电集群功率预测中的时空依赖性和风电场间协同机制不明问题,该文提出了一种基于双重注意力机制与时空门控融合的预测方法。首先,利用最大互信息系数(maximal information coefficient,MIC)量化非线性气象特征的隐式影响,结合Pearson矩阵解析风电场间协同关系,有效解耦了风电集群的时空耦合特性。其次,基于注意力强化和抑制参数冗余改进卷积网络,建立时间和通道双重注意力机制的时空双驱动特征提取架构,自适应调整特征权重。最后,设计了时空门控机制模块,增强对时空特征的捕捉能力,有效解决时空特征融合不充分的问题。实验结果表明,所提模型在集群风电场数据集上的预测性能显著优于基线模型,具有较强的泛化能力与应用性。展开更多
文摘为了提高短期风电功率预测的准确性,提出一种基于贝叶斯优化和特征融合的xLSTM(extended Long Short-Term Memory)-Transformer模型。该模型综合应用长短期记忆(LSTM)网络的时序处理能力和Transformer的自注意力机制的动态特征融合能力。借助贝叶斯优化方法,模型可在较少的迭代次数条件下优化超参数,显著降低模型对计算资源的依赖。实验结果表明,内蒙古某风电场数据集上,与单一的LSTM模型、Transformer模型、门控循环单元(GRU)模型以及未采用贝叶斯优化和特征融合的xLSTM-Transformer模型相比,当步长(LookBack)为4和8时,所提模型的决定系数R2较基准模型平均提升1.2%~11.3%;平均绝对误差(MAE)平均降低12.8%~38.4%;均方根误差(RMSE)平均降低8.6%~35.8%。结果表明,所提模型在短历史输入条件下具有更高的预测精度与稳定性。
文摘随着全球能源结构向低碳化转型加速,风电并网规模的持续扩大使得其功率波动性与时空耦合特性成为制约电网安全经济运行的一大难题。针对风电集群功率预测中的时空依赖性和风电场间协同机制不明问题,该文提出了一种基于双重注意力机制与时空门控融合的预测方法。首先,利用最大互信息系数(maximal information coefficient,MIC)量化非线性气象特征的隐式影响,结合Pearson矩阵解析风电场间协同关系,有效解耦了风电集群的时空耦合特性。其次,基于注意力强化和抑制参数冗余改进卷积网络,建立时间和通道双重注意力机制的时空双驱动特征提取架构,自适应调整特征权重。最后,设计了时空门控机制模块,增强对时空特征的捕捉能力,有效解决时空特征融合不充分的问题。实验结果表明,所提模型在集群风电场数据集上的预测性能显著优于基线模型,具有较强的泛化能力与应用性。
