Kurzfristige Vorhersage der Windenergieerzeugung basierend auf merkmalsgewichteten und kombinierten Modellen

Eine genaue Vorhersage der Windkraft hilft, Windenergie vollständig zu nutzen und die Stabilität des Stromnetzes zu verbessern. Bisherige Studien analysieren jedoch hauptsächlich wichtige, windkraftbezogene Merkmale ohne die Bedeutung unterschiedlicher Merkmale zu berücksichtigen. Darüber hinaus haben Einzelmodelle Einschränkungen bei der vollständigen Extraktion der Eingangsmerkmalinformationen und der Erfassung der zeitabhängigen Beziehungen von Merkmalssequenzen, was bedeutende Herausforderungen für die Windkraftvorhersage mit sich bringt. Um diese Probleme zu lösen, präsentiert dieses Papier einen Ansatz zur Windkraftprognose, der Merkmalsgewichtung und ein Kombinationsmodell kombiniert. Zunächst verwenden wir den Aufmerksamkeitsmechanismus, um die Gewichte verschiedener Eingangsmerkmale zu lernen und die wichtigeren Merkmale hervorzuheben. Zweitens wird ein Multi-Convolutional Neural Network (MCNN) mit verschiedenen Faltungskernen eingesetzt, um die Merkmalsinformationen umfassend zu extrahieren. Anschließend werden die extrahierten Merkmalsinformationen in ein Stacked BiLSTM (SBiLSTM)-Netzwerk eingegeben, um die zeitlichen Abhängigkeiten der Merkmalssequenz zu erfassen. Schließlich werden die Vorhersageergebnisse erzielt. Dieser Artikel führte vier vergleichende Experimente mit gemessenen Daten von Windparks durch. Die experimentellen Ergebnisse zeigen, dass das Modell erhebliche Vorteile hat; im Vergleich zum CNN-BiLSTM-Modell werden der mittlere absolute Fehler, der mittlere quadratische Fehler und der Wurzelmittelquadratfehler der Mehrschrittvorhersage bei unterschiedlichen Vorhersagezeitauflösungen im Durchschnitt um 35,59 %, 59,84 % bzw. 36,77 % reduziert, und der Bestimmtheitsmaß ist im Durchschnitt um 1,35 % gestiegen.