典型文献
基于IDSCNN-AM-LSTM组合神经网络超短期风电功率预测方法
文献摘要：
针对传统超短期风电功率预测方法难以应对海量强波动性数据,且对时间序列处理能力有限的问题,提出一种基于改进的深度可分离卷积神经网络(the improved depth wise separable convolution neural networks,IDSCNN)、注意力机制(attention mechanism,AM)、长短期记忆神经网络(long short-term memory neural network,LSTM)的超短期风电功率组合预测方法.首先,基于IDSCNN设计能够匹配风电场群时空维度变换的可分离卷积核尺寸,对数值天气预报数据、实测功率数据进行一次时空特征提取,以获取气象-功率时空特征.然后,结合AM强化一次时空特征长时间序列中局部重要信息的贡献程度,筛选出与未来预测功率密切相关的二次时空特征,以作为LSTM预测模型的输入时间序列.最后,建立包含改进的深度可分离卷积层、注意力权重分配层、LSTM预测层的IDSCNN-AM-LSTM组合神经网络超短期风电功率预测模型.仿真结果表明:该方法能够利用深度学习在挖掘高维非线性特征时的优势,对多个风电场之间的时空相关性进行充分学习,而且在单步风场功率预测和多步集群功率预测上,与其他预测模型相比均具有较高的预测精度和较好的时序学习能力.
文献关键词：
超短期风电功率预测;深度可分离卷积;注意力机制;长短期记忆神经网络;时间序列
中图分类号：
作者姓名：
李卓;叶林;戴斌华;於益军;罗雅迪;宋旭日
作者机构：
中国农业大学信息与电气工程学院,北京100083;中国电力科学研究院有限公司,北京100192
文献出处：
引用格式：
[1]李卓;叶林;戴斌华;於益军;罗雅迪;宋旭日-.基于IDSCNN-AM-LSTM组合神经网络超短期风电功率预测方法)[J].高电压技术,2022(06):2117-2127
A类：
IDSCNN
B类：
AM,组合神经网络,超短期风电功率预测,强波动性,列处理,处理能力,深度可分离卷积神经网络,improved,depth,wise,separable,convolution,neural,networks,注意力机制,attention,mechanism,长短期记忆神经网络,long,short,term,memory,组合预测方法,配风,风电场群,时空维度,卷积核尺寸,数值天气预报,报数,时空特征提取,长时间序列,中局,重要信息,贡献程度,未来预测,卷积层,注意力权重,权重分配,功率预测模型,高维,非线性特征,时空相关性,单步,风场,多步,时序学习
AB值：
0.265818
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。
