引入注意力机制的LSTM-FCN海上风电功率预测.pdfVIP

第45卷第6期太阳能学报Vol.45，No.6

2024年6月ACTAENERGIAESOLARISSINICAJun.，2024

DOI：10.19912/j.0254-0096.tynxb.2023-0238文章编号：0254-0096（2024）06-0444-07

引入注意力机制的LSTM-FCN海上风电功率预测

张昊立，张菁，倪建辉，陈龙，高典

（上海工程技术大学电子电气工程学院，上海201620）

摘要：提出一种注意力机制与LSTM-FCN网络结合的海上风电预测模型，在数据中引入风切变物理量来更准确地预测海上

风电发电功率。选用公共数据集网站Zenodo内某海上风电场数据中2组风力机数据进行分析和预测验证。对数据集进行标

准化预处理后，用AMLSTM-FCN网络和CNN网络、LSTM网络、LSTM-FCN网络进行对比实验，其中AMLSTM-FCN网络在2份风

力机数据预测中，RMSE、MAPE、MAE分别为：5号风力机：6.9434、14.01%、48.6636，6号风力机：2.6933、7.12%、17.2536，在相同

时段上采用去除风切变的数据训练网络，得到的预测结果从4个指标中看出预测准确度下降。实验表明AMLSTM-FCN网络在

海上风电功率预测中有更高的预测精度，以及风切变也对海上风电功率有显著影响。

关键词：海上风电；功率预测；注意力机制；人工神经网络；风切变

中图分类号：TP391；TM614文献标志码：A

精度的关键。

0引言

1引入注意力机制的LSTM-FCN网络

中国东南沿海海上风力资源丰富，为实现2030年“碳

达峰”、2060年“碳中和”，大力发展海上风电项目具有重要意预测模型

义。预计到2030年，中国海上风电装机总量将达到58.8GW，1.1注意力机制（attentionmechanism）

［1］

中国将成为世界海上风电累计装机容量最大的国家。对

注意力机制近年来被广泛应用于深度学习任务中，该机

风电功率的精准预测有助于纳入电力系统调度计划，提升

制能自动辨别输入信息的重要程度，对其自适应分配相应的

受端电网的风电接纳能力，改善电力系统运行安全性和经

［12-13］

注意力权重，进而提高模型训练效率和收敛速度。

济性。

［2］基于对数据的分析看出不同气象数据与功率之间的相

目前的风电功率