• • 下一篇
摘要: 摘 要: 准确的风功率预测能为风电能源行业提供可靠的指导和决策依据,但传统的建模方法主要是将风功率预测问题转换为时序预测问题,而忽略了机组间的空间信息,为此,本文提出一种面向多时间步风功率预测的深度时空网络模型。模型采用编码器-解码器架构设计,首先编码器根据历史功率信息建图,使用GAT(Graph Attention Network)提取融合风场空间信息的机组特征;其次,使用GRU(Gated Recurrent Unit)提取输入数据中的时间特性,得到关于该机组的风能时间特征。最后,解码器融合编码器输出的时空特征后,使用SCINet(Sample Convolution and Interaction Network)融合不同时间尺度分辨率下的时空特征后输出未来多时间步风功率的预测值。实验结果显示此模型预测结果的MAE(Mean Absolute Error)指标低至42.38,相比于Bi-GRU(Bidirectional Gated Recurrent Unit )下降了4.25%;RMSE(Root Mean Square Error)指标低至42.71,相比于Autoformer下降了8.70%。实验结果验证了该模型的优势,为未来风功率的准确预测提供了一种新的途径。
中图分类号: