基于双重注意力LSTM的可解释海上风电出力预测.pdfVIP

第46 卷 第7 期 2022 年4 月10 日 Vol.46No.7 Apr.10，2022 DOI：10.7500/AEPS20210427004 基于双重注意力LSTM的可解释海上风电出力预测 1 1 2 1 1 2 苏向敬 ，周汶鑫 ，李超杰 ，米 阳 ，符 杨 ，董朝阳 （1. 上海电力大学电气工程学院，上海市 200090；2. 新南威尔士大学电气工程与通信学院，悉尼 2052，澳大利亚） 摘要：海上风电面临复杂多变气象和海况条件的深度耦合影响，导致其出力预测精度有待提升。 同时，预测模型的“黑盒”结构导致出力预测结果在工程应用中可信度偏低。针对上述问题，提出一 种基于双重注意力长短期记忆(DALSTM)网络的超短期海上风电出力预测模型。在长短期记忆 神经网络的基础上，引入特征空间和时序双重注意力机制，动态挖掘海上风电出力与输入特征间的 潜在相关性，并从特征和时间2个方面获得重要性量度，在一定程度上实现了模型的可解释性。最 后，基于中国东海大桥海上风电场数据采集与监控数据进行仿真验证。结果表明，所提DALSTM 网络模型能够对海上风电出力进行有效的超短期预测，相比于传统预测模型具有更高的预测精度 和稳定性，同时具有合理的可解释性。 关键词：海上风电；出力预测；长短期记忆；注意力机制；可解释性 0 引言 列分解后通过长短期记忆（longshort-termmemory， LSTM）网络进行功率预测；文献［7］基于海上风电 近年来，可再生能源发电规模发展迅速，其中风 机组风能转换系统的物理过程设计了输入特征，并 能因其分布广泛、资源丰富和零污染的优点成为目 通过皮尔森系数和深度学习算法探究特征间的相关 ［1］ 前可再生能源利用的主要形式 。相比于陆上风 性 ；文献［8］提出将卷积神经网络（CNN）与双向 电，中国海上风能资源更为丰富，且靠近负荷中心而 LSTM网络相结合，从特征空间和时间角度提取数 具有更好的消纳能力，这使得海上风电逐渐成为中 据信息。上述海上风电出力预测方法虽在一定程度 ［2］ 国风电发展的重要方向 。然而，海上气象和水文 上加强了对特征相关性信息的挖掘，但均提取局部 条件复杂多变，风电出力受气象、尾流等因素的影 特征信息，难以获取全局特征相关性，造成特征关联 响。同时，海上风电出力集中送出后通常接入岸上 信息的丢失。同时，上述方法仅关注模型训练前输 配电网，而考虑海上风电场多位于经济发达的沿海 入特征与目标特征间的固有关联，因此对各时间的 地区，其配电网自身负荷较重，受海上风电接入的冲 输入特征均分配相同的权重。但风电机组出力输入 击影响更为显著。因此，高精度且可靠的出力预测 ［9］ 特征与目标特征间的相关程度随时间不断变化 ， ［3-4］ 能够为海上风电的调度和运行提供必要依据 ，对 对输入特征时序相关性的挖掘提出了更高要求。 促进海上风电开发利用意义重大。 同时，鉴于海上风电接入对岸上受端电网的冲 风电出力受环境特征影响显著，相比于陆上，海