典型文献
基于时间模式注意力机制的BiLSTM多风电机组超短期功率预测
文献摘要：
针对现有预测方法难以批量处理多风机间不同特征的问题,提出了基于时间模式注意力(temporal pattern attention,TPA)机制的双向长短时记忆(bidirectional long short-term memory,BiLSTM)网络多风电机组超短期功率预测方法.首先,基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)获得风机原始功率信号的不同模态分量,以降低神经网络预测难度.其次,基于TPA机制,从BiLSTM网络得到的隐藏行向量中提取多风机之间的复杂联系,从而使得具有不同特征的模态可以从不同时间步选择相关信息,进而降低各模态的预测误差.最后,将TPA机制与传统注意力机制应用于分散分布的14台风机区域功率预测任务.研究结果表明:基于本方法的多风电机组超短期功率预测的标准均方根误差仅为0.054 6,证明TPA机制能有效提高多风电机组的超短期功率预测精度.
文献关键词：
超短期风电功率预测;多风电机组;时间模式注意力机制;双向长短时记忆;集合经验模态分解
中图分类号：
作者姓名：
王渝红;史云翔;周旭;曾琦;方飚;毕悦
作者机构：
四川大学电气工程学院,成都610065;国网四川综合能源服务有限公司,成都610031
文献出处：
引用格式：
[1]王渝红;史云翔;周旭;曾琦;方飚;毕悦-.基于时间模式注意力机制的BiLSTM多风电机组超短期功率预测)[J].高电压技术,2022(05):1884-1892
A类：
B类：
时间模式注意力机制,BiLSTM,多风电机组,超短期功率预测,批量处理,多风机,temporal,pattern,attention,TPA,双向长短时记忆,bidirectional,long,short,term,memory,集合经验模态分解,ensemble,empirical,mode,decomposition,EEMD,模态分量,神经网络预测,行向量,时间步,预测误差,台风,标准均方根,超短期风电功率预测
AB值：
0.235818
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
