基于双重注意力LSTM神经_.络的可解释海上风电出力预测_苏向敬.pdf

第46卷第7期2022年4月10日Vol.46No.7Apr.10，2022

DOI：10.7500/AEPS20210427004

基于双重注意力LSTM神经网络的可解释海上风电出力预测

112112

苏向敬，周汶鑫，李超杰，米阳，符杨，董朝阳

（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）

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

0引言列分解后通过长短期记忆（longshort-termmemory，

LSTM）网络进行功率预测；文献［7］基于海上风电

近年来，可再生能源发电规模发展迅速，其中风

机组风能转换系统的物理过程设计了输入特征，并

能因其分布广泛、资源丰富和零污染的优点成为目

通过皮尔森系数和深度学习算法探究特征间的相关

前可再生能源利用的主要形式［1］。相比于陆上风

性；文献［8］提出将卷积神经网络（CNN）与双向

电，中国海上风能资源更为丰富，且靠近负荷中心而

LSTM网络相结合，从特征空间和时间角度提取数

具有更好的消纳能力，这使得海上风电逐渐成为中据信息。上述海上风电出力预测方法虽在一定程度

国风电发展的重要方向［2］。然而，海上气象和水文上加强了对特征相关性信息的挖掘，但均提取局部

条件复杂多变，风电出力受气象、尾流等因素的影特征信息，难以获取全局特征相关性，造成特征关联

响。同时，海上风电出力集中送出后通常接入岸上信息的丢失。同时，上述方法仅关注模型训练前输

配电网，而考虑海上风电场多位于经济发达的沿海入特征与目标特征间的固有关联，因此对各时间的

地区，其配电网自身负荷较重，受海上风电接入的冲输入特征均分配相同的权重。但风电机组出力输入

击影响更为显著。因此，高精度且可靠的出力预测特征与目标特征间的相关程度随时间不断变化［9］，

能够为海上风电的调度和运行提供必要依据［3-4］，对对输入特征时序相关性的挖掘提出了更高要求。

促进海上风电开发利用意义重大。同时，鉴于海上风电接入对岸上受端电网的冲

风电出力受环境特征影响显著，相比于陆上，海击影响更为显著，在实际工程应用中须增强预测模

上气象条件演化快、海况复杂，如何提取环境数据与型和预测结果的可靠性。故在提高出力预测模型精

海上风电出力间的深层非线性相关性，成为提高海度的同时，获得其预测结果的可解释性有着重要意

上风电出力预测精度的关键［