文献类型：期刊文章

作　　者：苏向敬[1] 周汶鑫[1] 李超杰[2] 米阳[1] 符杨[1] 董朝阳[2]

SU Xiangjing;ZHOU Wenxin;LI Chaojie;MI Yang;FU Yang;DONG Zhaoyang(School of Electrical Engineering,Shanghai University of Electric Power,Shanghai 200090,China;School of Electrical Engineering and Telecommunications,University of New South Wales,Sydney 2052,Australia)

机构地区：[1]上海电力大学电气工程学院,上海市200090 [2]新南威尔士大学电气工程与通信学院,悉尼2052,澳大利亚

出　　处：《电力系统自动化》

基　　金：上海市教育委员会科研创新计划资助项目(2021-01-07-00-07-E00122)。

年　　份：2022

卷　　号：46

期　　号：7

起止页码：141-151

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：海上风电面临复杂多变气象和海况条件的深度耦合影响,导致其出力预测精度有待提升。同时,预测模型的“黑盒”结构导致出力预测结果在工程应用中可信度偏低。针对上述问题,提出一种基于双重注意力长短期记忆(DALSTM)网络的超短期海上风电出力预测模型。在长短期记忆神经网络的基础上,引入特征空间和时序双重注意力机制,动态挖掘海上风电出力与输入特征间的潜在相关性,并从特征和时间2个方面获得重要性量度,在一定程度上实现了模型的可解释性。最后,基于中国东海大桥海上风电场数据采集与监控数据进行仿真验证。结果表明,所提DALSTM网络模型能够对海上风电出力进行有效的超短期预测,相比于传统预测模型具有更高的预测精度和稳定性,同时具有合理的可解释性。

关 键 词：海上风电 出力预测 长短期记忆  注意力 可解释性

分 类 号：TM614] TP183]