基于CNN-LSTM及深度学习的风电场时空组合预测模型

摘要: 为了更好地预测风电场的风电功率，提取风电场相邻站点之间时空信息和潜在联系，提出了一种基于卷积神经网络（CNN）、互信息（mutual information，MI）法、长短时记忆网络（LSTM）、注意力机制（AT）和粒子群优化（PSO）的短期风电场预测模型（MI-CNN-ALSTM-PSO）。CNN用于提取不同站点的空间特征，LSTM则用于获取多个站点的风电数据的时间依赖信息，据此设计CNN-LSTM时空预测模型，并结合深度学习算法，如MI特征选择、AT注意力机制、PSO参数优化，对模型进一步改进。通过两个海岛风电场的实验数据分析可知，所提模型具有最优的统计误差，CNN-LSTM模型可以高效提取风电场时空信息并进行时间序列预测，而结合深度学习算法（MI、AT和PSO）后的组合模型能进一步提高风电功率预测精度和稳定性。

关键词: 短期风电预测    卷积神经网络    特征选择    长短时记忆网络    注意力机制    

0 引言

在过去的几十年里，全球风力发电装机容量增长迅速。目前，风能作为一种清洁、绿色的可