计算机工程

作者：卢苡锋, 王霄

单位：贵州大学电气工程学院, 贵州 贵阳 550025

关键词：风电功率预测,二次分解,双向长短期记忆网络,改进蜣螂优化算法,注意力机制

基金：国家自然科学基金(61861007); 国家自然科学基金(61640014); 贵州省科技计划项目(黔科合基础-ZK一般303); 贵州省科技支撑计划(黔科合支撑一般017); 贵州省科技支撑计划(黔科合支撑一般264); 贵州省科技支撑计划(黔科合支撑一般096); 中国电力建设股份有限公司科技项目(DJ-ZDXM-2022-44); 贵州省教育厅创新群体项目(黔教合KY字012); 贵州大学引进人才科研项目(贵大人基合字(2014)08号)

为提高风电功率预测精度, 针对风电的强波动性和高随机性, 提出一种基于二次分解和改进蜣螂优化算法(IDBO)-双重注意力双向长短期记忆(DABiLSTM)网络的风电功率预测模型。首先, 采用自适应噪声的完全集合经验模态分解(CEEMDAN)和小波包分解(WPD)构成一种二次分解方法对历史风电功率和风速数据进行分解, 降低初始序列的随机性和非平稳性。其次, 在BiLSTM网络的基础上, 加入特征和时间注意力机制, 建立DABiLSTM模型, 充分挖掘特征间的关联性和时间序列间的长时间依赖性。最后, 采用黄金正弦算法来优化滚球蜣螂的位置, 从而增强算法在局部和全局的探索能力, 同时引入动态权重系数改进偷窃蜣螂的位置, 以平衡算法在全局和局部的探索能力, 提出IDBO, 并用其优化DABiLSTM网络的超参数, 防止网络陷入局部最优解。采用贵州某风电场实际数据对所提模型进行实验, 结果表明该方法能有效提升模型的预测能力, 所提出的模型的均方根误差(RMSE)和平均绝对误差(MAE)在单步预测下分别为0.044 9和0.031 2 MW, 与其他模型相比, 分别平均降低了36.9%和31.7%, 表现出较好的预测精度和鲁棒性。

来源：2024年第12期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第12期