基于注意力机制和神经网络的短期风电功率预测

发布时间：2023-05-20 04:26

　　经济的快速发展带来了能源需求的增加,化石燃料会给环境带来一定程度的破坏,同时也不利于社会的永续发展。风电作为可再生能源,日益引起全球各地的关注。但由于其具有一定的随机性与波动性,给风电的调度带来了挑战。因此精准的风电功率预测能够有力保障电力系统稳定运行,为风电的大规模并网指明方向。为了提高风电功率预测的精度,本文应用了基于注意力机制的CNN-LSTM模型,主要工作如下:首先,充分了解风力发电的相关理论。了解风电数据的特性,分析影响风电功率的因素,对数据进行预处理,进行合理性检验、清洗与填充工作,建立风电功率预测数据集,为后续工作奠定坚实基础。然后,应用CNN-LSTM组合模型。在深入分析几种神经网络的基础上,利用单模型预测风电功率,经对比分析将特征提取能力强大的CNN模型与善于处理长时间序列的LSTM模型相结合,既提取了有用信息,又解决了长期依赖问题,在一定程度上提升了预测精度。最后,应用基于注意力机制的CNN-LSTM模型。引入注意力机制,对CNN-LSTM组合模型进行优化,并将其应用到风电功率预测领域。利用CNN网络提取风电序列的多维特征,将所提取的重要特征矢量视为LSTM的输入值...

【文章页数】：57 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 基于传统方法的风电功率预测
        1.2.2 基于神经网络的风电功率预测
        1.2.3 注意力机制在神经网络领域的应用
    1.3 本文研究内容及创新点
第2章 风电功率预测相关理论
    2.1 风电功率数据的简要介绍
        2.1.1 风电数据的特性
        2.1.2 影响风电功率的因素
    2.2 风电功率预测的分类
        2.2.1 基于预测时间的分类
        2.2.2 基于预测模型的分类
    2.3 短期风电功率预测的神经网络模型
        2.3.1 BP神经网络
        2.3.2 CNN网络
        2.3.3 RNN网络
        2.3.4 LSTM网络
    2.4 本章小节
第3章 风电功率预测数据集的建立
    3.1 数据的合理性检验
    3.2 数据的清洗与填充
        3.2.1 基于四分位法的数据清洗
        3.2.2 基于插值法的数据填充
    3.3 数据的归一化
    3.4 风电功率预测误差评价指标
    3.5 基于单个神经网络模型的风电功率预测
        3.5.1 样本选取
        3.5.2 单模型验证与对比
    3.6 本章小结
第4章 实证分析
    4.1 基于组合模型的风电功率预测
        4.1.1 CNN-LSTM模型原理
        4.1.2 基于CNN-LSTM的风电功率预测
    4.2 基于注意力机制的风电功率预测
        4.2.1 注意力机制原理
        4.2.2 基于注意力机制的CNN-LSTM预测模型结构
        4.2.3 基于注意力机制的CNN-LSTM风电功率预测
    4.3 风电功率预测结果评价与分析
        4.3.1 不同模型下风电功率预测结果对比
        4.3.2 不同模型下风电功率预测误差对比
    4.4 本章小结
第5章 结论与展望
    5.1 结论
    5.2 展望
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢



本文编号：3820537