关键词:
风电功率预测
自适应时距
聚类
注意力机制
双向门控循环单元
摘要:
采用传统无监督学习可加强数据之间的相关性,提高模型的时序规律捕捉能力,但同时也会产生不规则时距间隔问题,而忽略时距影响将在一定程度上限制模型的时序预测能力。针对上述问题,提出了一种基于聚类处理和注意力机制的自适应时距双向循环门控神经网络模型(K-means adaptive distanced bidirectional gated recurrent unit attention mechanism,K-ADBiGRU-AM)。首先,提出自适应时距算法(Adaptive distanced,AD),既可降低聚类算法产生的不规则时距影响,也能依据不同风电场的数据特征自适应的调整参数。进一步地,将双向门控循环神经网络(Bidirectional gated recurrent unit,BiGRU)与自适应时距算法有机结合,以此有效捕捉不规则时距规律,最后采用注意力机制(Attention mechanism,AM)降低重要信息的丢失概率。算例验证表明,所提模型可以自适应地处理不规则时距信息,并有效提升了模型对于不规则时距的预测性能。