基于CNN-LSTM-Attention模型的新能源发电量预测与孤立森林算法的风险检测分析.pdf

JournalofImageandSignalProcessing图像与信号处理,2025,14(1),45-61

PublishedOnlineJanuary2025inHans./journal/jisp

/10.12677/jisp.2025.141005

基于CNN-LSTM-Attention模型的新能源发电

量预测与孤立森林算法的风险检测分析

胡殿刚，马寅，庞晓东，吴锋，牛甄，李灏，姬艳秋，冯文韬

国网甘肃省电力公司，甘肃兰州

收稿日期：2024年12月7日；录用日期：2025年1月3日；发布日期：2025年1月13日

摘要

文章主要探讨了一种将卷积神经网络、长短时记忆网络以及注意力机制相结合的方法在新能源发电量预

测中的应用及其有效性。随着新能源发电量受外部环境影响而表现出较大波动性和复杂性，传统预测模

型难以全面捕捉其中的复杂模式和长期依赖性。因此，文章提出了一个集成多种深度学习方法的组合模

型(CNN-LSTM-Attention模型)，该模型首先通过卷积层提取数据中的局部特征，随后利用长短时记忆网

络建模时间序列的长期依赖关系，最后通过注意力机制增强对重要信息的关注度。实验选取了2024年1

月1日至6月30日期间的甘肃省风力发电和水力发电数据，进行了特征提取和模型训练。结果显示，相较

于单独使用卷积神经网络或长短时记忆网络，结合了注意力机制的组合模型在多个评估指标上均表现出

更高的预测准确性和更好的拟合效果。此外，还引入了孤立森林算法对预测误差进行异常值检测，并结

合风险等级进行了详细的分类分析，进一步验证了该模型在实际应用中的有效性。本研究为新能源发电

系统的预测和管理提供了一种新思路和方法，有助于提高系统运行的可靠性和安全性。

关键词

新能源发电预测，卷积神经网络–长短时记忆网络–注意力机制(CNN-LSTM-Attention)，

异常值检测，孤立森林算法，风险等级分析，运维管理

NewEnergyPowerGenerationPrediction

BasedonCNN-LSTM-AttentionModeland

RiskDetectionAnalysisofIsolationForest

Algorithm

DiangangHu,YinMa,XiaodongPang,FengWu,ZhenNiu,HaoLi,YanqiuJi,WentaoFeng

StateGridGansuElectricPowerCompany,LanzhouGansu

thrdth

Received:Dec.7,2024;accepted:Jan.3,2025;published:Jan.13,2025

文章引用:胡殿刚,马寅,庞晓东,吴锋,牛甄,李灏,姬艳秋,冯文韬.基于CNN-LSTM-Attention模型的新能源发电

量预测与孤立森林算法的风险检测分析[J].图像与信号处理,2025,14(1):45-61.DOI:10.12677/jisp.2025.141005

胡殿刚等

Abstract

Thispapermainlydiscussestheapplicationandeffectivenessofamethodcombiningconvolutional

neuralnetworks,longshort-termmemorynetworks,andattentionmechanismsinnewenergy

powergenerationpredictions.Asnewenergygenerationisaffectedbytheexternalenvironment

andshowsgreatvolatilityandcomplexity,itisdifficulttofu