基于改进卷积-门控网络及Informer的两种中长期风电功率预测方法

摘要

为解决常规时序预测方法在长序列预测场景下表现较差的问题，从时间分辨率降维以及加强序列长期依赖特征挖掘的角度出发，提出两种中长期功率预测模型建模方法，实现了跨度10天、时间分辨率为15min的功率预测。一方面，提出改进卷积神经网络-门控循环单元(convolutional neural network-gate recurrent unit, CNN-GRU)的时间尺度降维模型，通过CNN模块及GRU模块分别实现了长时间序列的融合和还原，以及降维后时间序列的预测；另一方面，基于Informer网络的多头注意力机制实现了序列长期依赖特征的挖掘。算例结果表明，两种方法在不同的场景下有着不同的适应性，在第10日的准确率和合格率分别达到74.21%/73.47%、71.81%/74.48%，与常规GRU、CNN、时间卷积网络模型相比，预测精度提升明显，预测效果良好。

关键词

中长期功率预测 / 长序列预测 / 卷积神经网络-门控循环单元 / Informer / 多头注意力