基于CNN-GRU-Attention风电功率的多步预测方法研究

摘要

针对风电功率预测精度不高的问题，本文提出一种基于卷积神经网络（CNN）-门控循环单元（GRU）-注意力（Attention）机制的风电功率多步预测方法。该方法首先利用CNN提取风电时序数据的局部特征模式，然后通过GRU捕捉序列的长程时序依赖关系，最后引入Attention机制自适应地对关键历史时刻进行加权，实现未来6 h的风电功率多步预测。在Kaggle公开的风力涡轮机监控与数据采集（Wind Turbine SCADA）数据集上进行实验验证，结果表明：与基础GRU模型相比，CNN-GRU-Attention模型的均方根差（RMSE）降低了8.1%,平均绝对误差（MAE）降低了21.5%,平均绝对百分比误差（MAPE）降低了19.6%,R²从0.790 0提升至0.822 8;在1～6步多步预测中，该模型各步预测误差均为最低，第6步MAE较GRU降低19%。实验结果验证了所提方法的有效性，可为风电并网调度提供技术参考。

关键词

风电功率预测 / 多步预测 / 门控循环单元 / 注意力机制 / 卷积神经网络