电力工业论文_基于注意力机制和LSTM的短期风电-计算机工程

来稿应自觉遵守国家有关著作权法律法规，不得侵犯他人版权或其他权利，如果出现问题作者文责自负，而且本刊将依法追究侵权行为给本刊造成的损失责任。本刊对录用稿有修改、删节权。经本刊通知进行修改的稿件或被采用的稿件，作者必须保证本刊的独立发表权。一、投稿方式： 1、请从我刊官网直接投稿。 2、请从我编辑部编辑的推广链接进入我刊投审稿系统进行投稿。二、稿件著作权： 1、投稿人保证其向我刊所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、投稿人保证向我刊所投之稿件，尚未在任何媒体上发表。 3、投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、投稿人向我刊所投之作品不得同时向第三方投送，即不允许一稿多投。 5、投稿人授予我刊享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、第5条所述之网络是指通过我刊官网。 7、投稿人委托我刊声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。

电力工业论文_基于注意力机制和LSTM的短期风电

作者:

关键词:

摘要：

文章摘要:风力发电预测在电力系统的运行中发挥着越来越重要的作用。但由于风速的复杂性和随机性，寻找风速与风电功率的非线性映射关系是困难的。针对这一挑战，提出了一种基于信号分解、双阶段注意力机制、误差修正策略和深度学习算法的短期风电预测模型。对原始特征序列和预测误差序列进行变分模态分解（VMD），利用基于两级注意力机制（Double-Attention）和编码解码架构（Encoder-Decoder）的长短时记忆神经网络模型（LSTM）以及使用误差分解预处理的误差修正（Error-Correction）模块，进行风电功率的预测。通过对比实验分析，所提出的预测模型的MAE指标比基准模型ARMA降低了约87%，比标准编解码结构的LSTM模型降低了约54%，在对比模型中具有最优的性能，同时变分模态分解得到的误差序列可以提高矫正的效果。

文章关键词:

论文DOI:10.19678/j.issn.1000-3428.0062059

论文分类号:TM614;TP183