计算机工程

作者：廖雪超, 伍杰平, 陈才圣

单位：1. 武汉科技大学 计算机科学与技术学院, 武汉 430065;2. 武汉科技大学 智能信息处理与实时工业系统重点实验室, 武汉 430065

关键词：短期风电功率预测,变分模态分解,长短时记忆神经网络,注意力机制,误差修正

基金：国家自然科学基金（61902285）。

风力发电预测在电力系统的运行中发挥着重要作用。现有风电功率的短期预测模型因风速的复杂性和随机性，难以确定风速与风电功率的非线性映射关系，导致预测精度降低。提出一种结合变分模态分解、双阶段注意力机制、误差修正模块与深度学习算法的短期风电功率预测模型。通过对原始数据进行互信息特征选择，获得与风电功率相关性较强的特征，并对其进行信号预处理，利用变分模态分解对多维特征序列进行分解，得到具有一定中心频率的模态分量，以降低各个特征序列的复杂性和非平稳性。采用基于双阶段注意力机制与编解码架构的长短时记忆（LSTM）神经网络对模态分量进行训练与预测，得到初始预测误差。在此基础上，利用误差修正模块对初始预测误差进行变分模态分解和修正，从而提高模型的预测精度。实验结果表明，与自回归移动平均模型、标准编解码结构的LSTM模型相比，该预测模型的平均绝对误差最高可降低约87%，具有较优的预测性能。

来源：2022年第9期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第9期