基于一种新技术的风电功率短期预测

摘要

近年来,循环神经网络(Recurrent Neural Network,RNN)等序列化模型越来越多地应用到风电功率预测任务中,鉴于序列化模型在处理长距离依赖关系时的固有缺陷,提出一种结合Transformer模型和端到端记忆网络(End-To-End Memory Networks,MemN2N)的预测方法.利用Transformer挖掘历史数据中的长距离依赖性信息,并将编码结果引入到MenN2N网络的记忆池中.为了进一步增强模型在多步预测中的稳定性,基于注意力机制对MenN2N网络的输入组件和输出组件加以改进,对连续多步天气数据之间的不确定性进行建模,实现对风电功率在短期内的多步预测.通过风场中实际数据进行测试,实验结果表明,与其它预测方法相比,所提方法在多步预测中具有更高的预测精度和稳定性,具有很大的工程价值.