基于信息調(diào)控和MATCN的超短期風(fēng)電功率多步預(yù)測(cè)

摘 "要： 對(duì)波動(dòng)的風(fēng)電功率進(jìn)行有效預(yù)測(cè)，是電網(wǎng)供需平衡、系統(tǒng)穩(wěn)定運(yùn)行的重要保障。為此，提出一種基于信息調(diào)控和MATCN的超短期風(fēng)電功率多步預(yù)測(cè)方法。利用現(xiàn)有數(shù)據(jù)衍生出高階項(xiàng)與交互項(xiàng)，提升特征序列數(shù)量與有效特征占比。針對(duì)復(fù)雜的風(fēng)電數(shù)據(jù)結(jié)構(gòu)，使用變分模態(tài)分解（VMD）將其拆分，根據(jù)子序列相關(guān)性和方差貢獻(xiàn)率的計(jì)算結(jié)果保留重要序列分量，其余分量進(jìn)行聚合，降低計(jì)算負(fù)擔(dān)，縮短訓(xùn)練時(shí)間。隨后，引入注意力機(jī)制構(gòu)造多頭注意力時(shí)間卷積網(wǎng)絡(luò)（MATCN），通過(guò)注意力得分調(diào)整網(wǎng)絡(luò)內(nèi)部卷積單元之間的傳遞信息，實(shí)現(xiàn)模型對(duì)各序列分量的預(yù)測(cè)。最后，重構(gòu)序列分量預(yù)測(cè)值，得到最終的輸出結(jié)果。在實(shí)例數(shù)據(jù)上對(duì)所提模型進(jìn)行對(duì)比驗(yàn)證，結(jié)果表明，該模型在不同步幅下均具有較好的預(yù)測(cè)效果。

關(guān)鍵詞： 風(fēng)電功率； 多步預(yù)測(cè)； 變分模態(tài)分解； 多頭注意力時(shí)間卷積網(wǎng)絡(luò)； 注意力機(jī)制； 信息調(diào)控

中圖分類號(hào)： TN911.23?34； TM614 " " " " " " " " " 文獻(xiàn)標(biāo)識(shí)碼： A " " " " " " " " "文章編號(hào)： 1004?373X（2024）18?0001?07

Ultra?short?term wind power multi?step forecasting based on information

regulation and MATCN

CHEN Lei1， 2， HUANG Kaiyang1， 2， ZHANG Yi1， 2， CHEN Yu1， 2， ZHANG Zhirui1， 2， YIN Zhennan1， 2

（1. College of Electrical Engineering， North China University of Science and Technology， Tangshan 063210， China;

2. Hebei Wind?Solor?Hydrogen?Storage System Security Monitoring and Intelligent Operation Center of Technology Innovation， Tangshan 063210， China）

Abstract： The effective forecasting of fluctuating wind power is an important guarantee for the balance of power supply and demand and the stable operation of the system. Therefore， a method of ultra?short?term wind power multi?step forecasting based on information regulation and multi?head attention temporal convolution network （MATCN） is proposed. High?order items and interactive items are derived from the existing data to increase the proportion of the number of feature sequences and effective features. The variational mode decomposition （VMD） is used to split the complex wind power data structure， the important sequence components are retained according to the calculation results of sub?sequence correlation and variance contribution rate， and other components are aggregated to reduce the calculation burden， and shorter training time. attention mechanism is introduced to construct the MATCN， and the transmitted information between convolution units within the network is adjusted by the attention score， so as to realize the prediction of each sequence component of the model. The sequence component prediction values are reconstructed to obtain the final output result. The proposed model is compared and verified on example data， and the results show that the model has excellent prediction effects under different strides.

Keywords： wind power; multi?step forecasting; variational mode decomposition; multi?head attention temporal convolution network; attention mechanism; information regulation

0 "引 "言

風(fēng)力發(fā)電作為可再生能源的重要組成部分，在全球能源轉(zhuǎn)型中扮演著愈發(fā)重要的角色，但其波動(dòng)的特點(diǎn)易導(dǎo)致電力系統(tǒng)不穩(wěn)定、平衡失調(diào)等問(wèn)題。有效的風(fēng)電功率預(yù)測(cè)可以優(yōu)化風(fēng)電場(chǎng)的運(yùn)行計(jì)劃，平衡電網(wǎng)供需，確保電力系統(tǒng)穩(wěn)定運(yùn)行，對(duì)推動(dòng)清潔能源發(fā)展具有重要意義[1?4]。

風(fēng)電功率預(yù)測(cè)包括基于統(tǒng)計(jì)、物理模型和人工智能等多種方法。統(tǒng)計(jì)方法利用歷史數(shù)據(jù)建立模型，物理模型考慮風(fēng)場(chǎng)、風(fēng)機(jī)和地形等因素，而人工智能方法則借助機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)，具有高度自適應(yīng)性和準(zhǔn)確性，能夠有效應(yīng)對(duì)復(fù)雜多變的風(fēng)電場(chǎng)景，為風(fēng)電產(chǎn)業(yè)提供了重要的預(yù)測(cè)支持[5?6]。文獻(xiàn)[7]提出一種混合模型，通過(guò)優(yōu)化算法與神經(jīng)網(wǎng)絡(luò)結(jié)合的方式尋找最優(yōu)參數(shù)，從而提高模型性能。不過(guò)此模型對(duì)于復(fù)雜情況下雜亂的信息內(nèi)容缺少處理手段，有效內(nèi)容與噪聲的混疊使得信息提取變得困難。文獻(xiàn)[8]中以VMD?LSTM模型為主體，將數(shù)據(jù)分解后輸入模型中進(jìn)行學(xué)習(xí)，對(duì)雜亂的數(shù)據(jù)信息有很好的應(yīng)對(duì)能力。然而該方法存在分解數(shù)據(jù)后產(chǎn)生大量序列分量的問(wèn)題，雖然提升了預(yù)測(cè)能力，但是計(jì)算負(fù)擔(dān)也大幅提升。文獻(xiàn)[9]對(duì)分解后的多個(gè)分量進(jìn)行觀察判斷，保留了趨勢(shì)特征、波動(dòng)特征兩個(gè)明顯的子序列，合并了其余序列，有效地降低了子序列數(shù)量。這一方法并沒(méi)有對(duì)子序列進(jìn)行深入的計(jì)算、分析，部分趨勢(shì)、波動(dòng)不顯著但是含有重要細(xì)節(jié)特征的序列被合并，導(dǎo)致信息被掩埋。文獻(xiàn)[10]通過(guò)CNN?LSTM模型對(duì)數(shù)據(jù)中的時(shí)空特征進(jìn)行提取，并將其重構(gòu)為時(shí)間序列進(jìn)行預(yù)測(cè)，預(yù)測(cè)效果得到增強(qiáng)。但是，該模型內(nèi)部結(jié)構(gòu)模塊間傳遞的信息沒(méi)有經(jīng)過(guò)強(qiáng)調(diào)處理，信息的準(zhǔn)確性和完整度不足。

針對(duì)上述問(wèn)題，本文首先通過(guò)特征衍生創(chuàng)造出新的特征序列，提升特征總數(shù)與有效特征占比。同時(shí)，以變分模態(tài)分解（Variational Mode Decomposition， VMD）拆分原有序列信息，根據(jù)各序列分量的相關(guān)性以及方差貢獻(xiàn)率保留重要的分量，其余分量按重要程度的不同進(jìn)行聚合，有效降低計(jì)算量與訓(xùn)練時(shí)間的同時(shí)保留了關(guān)鍵信息。隨后，本文提出一種多頭注意力時(shí)間卷積網(wǎng)絡(luò)（Multi?head Attention Temporal Convolution Network， MATCN），在基礎(chǔ)模型的卷積單元之間加入多頭注意力機(jī)制對(duì)信息權(quán)重進(jìn)行調(diào)控，能夠更為準(zhǔn)確地在模型內(nèi)部進(jìn)行數(shù)據(jù)信息的傳遞。通過(guò)在實(shí)例數(shù)據(jù)上的實(shí)驗(yàn)分析，驗(yàn)證了本文方法能夠有效地提升風(fēng)電功率預(yù)測(cè)精度，有著更好的穩(wěn)定性和預(yù)測(cè)效果。

1 "信息調(diào)控

1.1 "特征衍生

面對(duì)特征數(shù)據(jù)有限或有效部分占比較低的情況，缺乏恰當(dāng)?shù)膽?yīng)對(duì)方法將對(duì)目標(biāo)功率的預(yù)測(cè)效果產(chǎn)生不利影響。文中提出一種特征衍生方法，以現(xiàn)有特征信息為基礎(chǔ)衍生出高階特征與交互特征，增加特征數(shù)量并提升有效特征的比重。高階特征的生成可以捕捉數(shù)據(jù)間復(fù)雜的非線性關(guān)系。考慮到特征之間存在相互作用，交互特征以組合的方式生成特征，更好地表示與目標(biāo)變量之間的關(guān)系。以[A、B、C]表示現(xiàn)有特征信息，[aijk]為系數(shù)，[i、j、k]為特征次數(shù)，則特征衍生方法公式如下：

[f（A，B，C）=i，j，kaijkAiBjCk] （1）

1.2 "變分模態(tài)分解

VMD通過(guò)交替優(yōu)化來(lái)尋找能夠最佳擬合原始信號(hào)的模態(tài)函數(shù)組合，各模態(tài)函數(shù)擁有相對(duì)原始信號(hào)更為簡(jiǎn)單且規(guī)律的變化模式，能夠有效降低模型對(duì)其學(xué)習(xí)理解的難度。

通過(guò)求解如下約束變分問(wèn)題得到局部模態(tài)函數(shù)的最優(yōu)估計(jì)，即最佳分解結(jié)果。

[min{uk}，{ωk}k?tδt+jπt·ukte-jωkt22s.t. " "kuk=f] （2）

式中：各模式及中心頻率分別為[uk={u1，u2，…，uK}]與[ωk={ω1，ω2，…，ωK}]，K為模態(tài)數(shù)[11]。

2 "預(yù)測(cè)模型設(shè)計(jì)

2.1 "多頭注意力機(jī)制（MA）

MA方法是針對(duì)注意力機(jī)制計(jì)算復(fù)雜度隨序列長(zhǎng)度增加而增長(zhǎng)的問(wèn)題改進(jìn)而來(lái)，引入多個(gè)注意力頭，把輸入信息拆分為多個(gè)子信息塊，通過(guò)不同的參數(shù)矩陣將子塊信息映射到對(duì)應(yīng)空間進(jìn)行學(xué)習(xí)，從多角度同時(shí)捕獲數(shù)據(jù)內(nèi)部依賴關(guān)系[12]。信息處理流程如圖1所示（以3個(gè)注意力頭為例）。

各頭注意力分?jǐn)?shù)計(jì)算公式如下：

[hi=softmaxQWQi（KWKi）TdkVWVi] （3）

式中：Q、K、V分別為對(duì)應(yīng)查詢、鍵、值三個(gè)不同的矩陣，其對(duì)應(yīng)參數(shù)矩陣為[WQi]、[WKi]、[WVi]；[dk]為伸縮比；[softmax]（[·]）為權(quán)重歸一化。

多頭注意力機(jī)制計(jì)算方法如下：

[MA（Q，K，V）=Concat（h1，h2，…，hH）W0] " " （4）

式中：[W0]為輸出權(quán)重矩陣；[H]表示注意力頭個(gè)數(shù)；[Concat（·）]表示多頭輸出拼接。

2.2 "時(shí)間卷積網(wǎng)絡(luò)（TCN）

TCN的基礎(chǔ)結(jié)構(gòu)如圖2所示。TCN采用雙層卷積單元堆疊并輔以殘差連接而來(lái)[13?14]。各卷積單元使用一維擴(kuò)張因果卷積來(lái)捕捉數(shù)據(jù)特征；隨后歸一化卷積層權(quán)重，使其擁有更為穩(wěn)定的參數(shù)分布，通過(guò)ReLU函數(shù)引入非線性變化，提升表示能力；最后結(jié)合Dropout層削弱網(wǎng)絡(luò)的過(guò)擬合現(xiàn)象。

擴(kuò)張因果卷積結(jié)構(gòu)[15]如圖3所示（擴(kuò)張因子[d]=[1，2，4]，核大小[k]=3）。

以[F=（f1，f2，…，fK）]為卷積核，[xt]處序列[X]的因果卷積如式（5）所示；以[d]為擴(kuò)張因子，[k]為核大小，則[xt]處擴(kuò)張卷積如式（6）所示。

[（F?X）（xi）=k=1Kfkxt-K+k] （5）

[F（s）=（x?df）（s）=i=0k-1f（i）·xs-d?i] （6）

為解決層級(jí)堆疊造成有效信息的缺失與模糊化問(wèn)題，引入殘差連接，允許輸入數(shù)據(jù)更快速地流向后續(xù)層級(jí)，促進(jìn)信息的流動(dòng)，計(jì)算方法如下：

[o=Activation（X+F（X））] （7）

式中：[o]為輸出信息；[Activation]為激活函數(shù)；[F（X）]為卷積操作結(jié)果。

2.3 "MATCN

多頭注意力機(jī)制本質(zhì)上可以理解為并行地對(duì)輸入信息進(jìn)行權(quán)重分配，增加重要信息在整體中的占比。將其加入到TCN結(jié)構(gòu)中兩層卷積單元之間，形成MATCN結(jié)構(gòu)，對(duì)上一卷積單元輸出信息進(jìn)行權(quán)重調(diào)整，使得下一卷積單元能夠更好地關(guān)注其中的關(guān)鍵信息。詳細(xì)結(jié)構(gòu)如圖4所示。

數(shù)據(jù)信息處理過(guò)程如下。

1） 數(shù)據(jù)輸入。特征與功率數(shù)據(jù)組成[N×M]的輸入結(jié)構(gòu)，輸入到MATCN模型中，進(jìn)一步處理數(shù)據(jù)信息。

2） MATCN。輸入的信息首先通過(guò)第一個(gè)卷積單元，由一維擴(kuò)張因果卷積處理后，通過(guò)權(quán)值歸一化、ReLU激活函數(shù)以及Dropout層輸入至MA層；然后，MA對(duì)輸入信息計(jì)算注意力得分，根據(jù)結(jié)果對(duì)信息進(jìn)行權(quán)重調(diào)整，提高對(duì)重要信息的關(guān)注程度，處理結(jié)果傳遞給第二個(gè)卷積單元；在接收到被調(diào)整的數(shù)據(jù)信息后，第二個(gè)卷積單元對(duì)其重復(fù)第一個(gè)卷積單元的操作；最后將前一步驟中得到的輸出與殘差連接傳輸?shù)男畔⒔Y(jié)合，得到MATCN的輸出。

3） 數(shù)據(jù)輸出。通過(guò)全連接層對(duì)信息矩陣進(jìn)行映射變換，輸出目標(biāo)結(jié)果。

3 "預(yù)測(cè)流程與效果評(píng)估

3.1 "預(yù)測(cè)流程

根據(jù)前文內(nèi)容搭建了基于信息調(diào)控和MATCN的超短期風(fēng)電功率多步預(yù)測(cè)模型。整體運(yùn)行流程如圖5所示。

模型預(yù)測(cè)具體步驟如下。

1） 數(shù)據(jù)集經(jīng)異常值剔除、缺失值填補(bǔ)等操作后得到實(shí)驗(yàn)數(shù)據(jù)。

2） 信息調(diào)控。首先，使用特征衍生的方式處理實(shí)驗(yàn)數(shù)據(jù)，以現(xiàn)有特征數(shù)據(jù)為基礎(chǔ)生成高階特征與交互特征，與原氣象特征一起構(gòu)造新的特征信息矩陣；然后，功率數(shù)據(jù)經(jīng)VMD模型處理后得到多個(gè)序列分量，計(jì)算各分量的Pearson相關(guān)系數(shù)以及方差貢獻(xiàn)率；最后結(jié)合計(jì)算結(jié)果分析，將多個(gè)序列分量調(diào)整為主導(dǎo)序列、顯著序列、次要序列以及輔助序列四部分。

3） 各序列以及特征信息矩陣輸入至MATCN模型，其中80%作為訓(xùn)練量，剩下的數(shù)據(jù)以1∶1比例進(jìn)行驗(yàn)證與測(cè)試。

4） 各序列模型輸出信息經(jīng)重構(gòu)操作后得到預(yù)測(cè)結(jié)果。

3.2 "效果評(píng)估

文中對(duì)不同的預(yù)測(cè)模型進(jìn)行了對(duì)比分析，各模型的效果以平均絕對(duì)誤差（[ξMAE]）、均方根誤差（[ξRMSE]）、決定系數(shù)（[ξR2]）作為量化指標(biāo)進(jìn)行評(píng)估，公式如下：

[ξMAE=1ng=1ny'g-yg] （8）

[ξRMSE=1ng=1ny'g-yg2] （9）

[ξR2=1-g=1nyg-y'g2g=1nyg-yg2×100%] （10）

式中：[n]為預(yù)測(cè)數(shù)據(jù)量；[yg]為g時(shí)刻實(shí)際功率；[y'g]為g時(shí)刻預(yù)測(cè)功率。

4 "實(shí)例分析

4.1 "實(shí)驗(yàn)數(shù)據(jù)

本文所用數(shù)據(jù)為國(guó)家電網(wǎng)相關(guān)競(jìng)賽數(shù)據(jù)[16]，由Chen Yongbao等人在Figshare網(wǎng)站上傳。文中所用部分采集于2020年，包含不同高度的風(fēng)力信息與地面1.5 m處的環(huán)境信息，詳情如表1所示。

4.2 "信息調(diào)控

4.2.1 "特征衍生

為檢驗(yàn)特征衍生的效果，通過(guò)Pearson方法對(duì)文中數(shù)據(jù)特征與輸出功率之間的關(guān)聯(lián)性進(jìn)行計(jì)算。計(jì)算結(jié)果以0.2為界限，小于0.2的特征認(rèn)定為無(wú)關(guān)特征，不再參與信息矩陣的構(gòu)造。

特征衍生前后數(shù)據(jù)構(gòu)成如表2所示。通過(guò)表2可以觀察到，特征衍生顯著地增加了特征序列的數(shù)量，更多的新特征被創(chuàng)建出來(lái)，能夠更好地表示數(shù)據(jù)中的非線性關(guān)系和交互作用。在提高有效特征占比方面也發(fā)揮了積極作用。特征衍生前后有效特征序列由總量的36.36%提升至53.85%，更深層次地對(duì)數(shù)據(jù)進(jìn)行理解，發(fā)現(xiàn)并利用了數(shù)據(jù)中更多的有用信息。

4.2.2 "序列重構(gòu)

風(fēng)電數(shù)據(jù)序列可以視為多個(gè)不同頻率信息的集合，各成分的混合疊加與相互作用使得數(shù)據(jù)結(jié)構(gòu)變得復(fù)雜。使用VMD將各成分進(jìn)行分離處理，通過(guò)不同序列分量的中心頻率增幅確定K值。對(duì)比表3數(shù)據(jù)，K固定的情況下分量中心頻率增長(zhǎng)50%以下時(shí)認(rèn)定為已過(guò)度分解。當(dāng)K=9時(shí)，IMF6、IMF7、IMF8之間的中心頻率增幅不足，因此K取8。原始信號(hào)分解為IMF1～I(xiàn)MF8與殘差項(xiàng)，如圖6所示。

為了進(jìn)一步簡(jiǎn)化數(shù)據(jù)，保留主要的信息，計(jì)算各序列分量的Pearson相關(guān)性以及方差貢獻(xiàn)率，以此作為子序列調(diào)整依據(jù)。計(jì)算結(jié)果如表4所示。

表4中：IMF8、IMF7的指標(biāo)明顯高于其余序列分量，表明其包含重要信息，預(yù)測(cè)的精度將極大地影響最終結(jié)果；IMF4～I(xiàn)MF6重要性相對(duì)較低；IMF1～I(xiàn)MF3以及Res對(duì)結(jié)果的影響最弱。因此對(duì)序列分量進(jìn)行如下調(diào)整：IMF1～I(xiàn)MF3與Res調(diào)整為輔助序列S1，IMF4～I(xiàn)MF6調(diào)整為次要序列S2，IMF7、IMF8分別對(duì)應(yīng)顯著序列S3與主導(dǎo)序列S4。

調(diào)整前后對(duì)模型的影響效果如圖7所示。從圖中可以觀察到，這一處理方式有效地縮短了模型整體的訓(xùn)練時(shí)間T，并減少了訓(xùn)練過(guò)程中可學(xué)習(xí)的參數(shù)量N，與調(diào)整前相比T與N均降低50%以上。雖然輔助序列和次要序列的合并過(guò)程損失了部分信息，使得調(diào)整后決定系數(shù)[ξR2]略有降低，但并未出現(xiàn)顯著的差異，預(yù)測(cè)性能相對(duì)穩(wěn)定?？紤]到計(jì)算效率與預(yù)測(cè)性能之間的平衡，使用此方法以較小的精度犧牲來(lái)?yè)Q取計(jì)算效率大幅提升是十分可取的。

4.3 "模型在實(shí)際應(yīng)用中的效果對(duì)比

采用容量為200 MW的數(shù)據(jù)集FS1，在真實(shí)數(shù)據(jù)上對(duì)目標(biāo)模型進(jìn)行單步（15 min）、雙步（30 min）、四步（60 min）、八步（120 min）預(yù)測(cè)效果的比對(duì)驗(yàn)證。本文模型不同步幅下的預(yù)測(cè)結(jié)果如圖8所示，各模型性能表現(xiàn)評(píng)價(jià)如表5所示。

結(jié)合圖8與表5分析，本文模型對(duì)FS1實(shí)現(xiàn)了不同步幅下的有效預(yù)測(cè)。單步、雙步的決定系數(shù)均位于0.99以上，單步步幅下，本文模型表現(xiàn)出了出色的預(yù)測(cè)準(zhǔn)確性，對(duì)數(shù)據(jù)變化具有良好的捕捉能力；雙步步幅下依舊有著可靠的表現(xiàn)，雖然與實(shí)際值的偏差有所增加，但仍具備較高的預(yù)測(cè)精度。步幅延長(zhǎng)至四步、八步，決定系數(shù)位于0.95左右，模型精度受到一定影響，不過(guò)依舊擁有對(duì)數(shù)據(jù)信息的解釋能力。

相比于其他模型，本文模型在不同的步幅上均具有較好的預(yù)測(cè)效果，誤差評(píng)價(jià)指標(biāo)[ξMAE]與[ξRMSE]位于最低水平，與實(shí)際觀測(cè)值差異較小，具有較高的預(yù)測(cè)精度；擬合指標(biāo)[ξR2]明顯高于其他模型，具有優(yōu)秀的擬合能力，能夠更好地解釋預(yù)測(cè)結(jié)果與觀測(cè)值之間的變異性。

計(jì)算不同步幅下本文模型與對(duì)比模型之間誤差評(píng)價(jià)指標(biāo)的變化幅度，結(jié)果對(duì)比如圖9所示?？梢杂^察到，本文模型在不同步幅下誤差評(píng)價(jià)指標(biāo)相較于對(duì)比模型均有所降低，單步時(shí)[ξMAE]降幅為19%～32%，[ξRMSE]降幅為27%～43%；雙步時(shí)[ξMAE]降幅為21%～42%，[ξRMSE]降幅為28%～51%；四步時(shí)[ξMAE]降幅為20%～40%，[ξRMSE]降幅為21%～45%；八步時(shí)[ξMAE]降幅為10%～37%，[ξRMSE]降幅為7%～36%。綜上，本文模型在誤差評(píng)價(jià)指標(biāo)[ξMAE]、[ξRMSE]上優(yōu)勢(shì)明顯，平均預(yù)測(cè)誤差以及整體偏差均最小，擁有更好的預(yù)測(cè)表現(xiàn)。

5 "結(jié) "論

為更精確有效地對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)，本文提出一種基于信息調(diào)控和MATCN的超短期風(fēng)電功率多步預(yù)測(cè)方法，經(jīng)實(shí)驗(yàn)驗(yàn)證結(jié)論如下。

1） 使用信息調(diào)控方法處理數(shù)據(jù)是必要的：特征衍生利用高階項(xiàng)和交互項(xiàng)的生成，顯著增加了特征信息序列的數(shù)目與有效特征占比；序列重構(gòu)利用VMD拆分?jǐn)?shù)據(jù)，保留序列相關(guān)性及方差貢獻(xiàn)率計(jì)算結(jié)果高的子序列，其余序列按重要程度聚合，有效降低計(jì)算量與訓(xùn)練時(shí)間的同時(shí)避免了關(guān)鍵信息的丟失。

2） 在傳統(tǒng)TCN結(jié)構(gòu)內(nèi)部的兩個(gè)卷積單元之間加入多頭注意力機(jī)制，構(gòu)造MATCN結(jié)構(gòu)。MATCN各卷積單元之間信息傳遞時(shí)，能夠根據(jù)注意力得分調(diào)整信息權(quán)重，使之更為準(zhǔn)確。下級(jí)卷積單元可以更好地關(guān)注重要信息，有效地提升了預(yù)測(cè)的準(zhǔn)確性。

3） 經(jīng)實(shí)驗(yàn)分析表明，文中各模型預(yù)測(cè)過(guò)程中，隨著步幅的增加，預(yù)測(cè)的精度呈下降趨勢(shì)；而文中所提模型與之對(duì)比性能優(yōu)勢(shì)明顯，即該模型對(duì)風(fēng)電功率有著更好的預(yù)測(cè)效果。

參考文獻(xiàn)

[1] 劉瑤，周雨豪，郭澤宇，等.考慮風(fēng)電不確定性的風(fēng)儲(chǔ)電站主動(dòng)參與電網(wǎng)調(diào)壓控制策略研究[J/OL].現(xiàn)代電力：1?10[2024?04?26].https：//doi.org/10.19725/j.cnki.1007?2322.2023.0184.

[2] LIU Z H， WANG C T， WEI H L， et al. A wavelet?LSTM model for short?term wind power forecasting using wind farm SCADA data [J]. Expert systems with applications， 2024， 247： 123237.

[3] 趙熙臨，龔楚峰，付波.一種風(fēng)電場(chǎng)經(jīng)VSC?HVDC并網(wǎng)的VSG變參數(shù)負(fù)荷頻率控制策略[J].高電壓技術(shù)，2024，50（1）：117?126.

[4] YU G Z， LU L， TANG B， et al. Ultra?short?term wind power subsection forecasting method based on extreme weather [J]. IEEE transactions on power systems， 2022， 32： 557.

[5] LIU Z F， LIU Y Y， CHEN X R， et al. A novel deep learning?based evolutionary model with potential attention and memory decay?enhancement strategy for short?term wind power point?interval forecasting [J]. Applied energy， 2024， 360： 122785.

[6] XIONG B， LOU L， MENG X， et al. Short?term wind power forecasting based on attention mechanism and deep learning [J]. Electric power systems research， 2022， 206： 107776.

[7] 趙全明，李珂，王笑歡，等.基于SSA?GRU神經(jīng)網(wǎng)絡(luò)的超短期風(fēng)電功率預(yù)測(cè)[J].傳感器與微系統(tǒng)，2023，42（11）：151?155.

[8] 史加榮，趙丹夢(mèng)，王琳華，等.基于RR?VMD?LSTM的短期風(fēng)電功率預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制，2021，49（21）：63?70.

[9] HAN L， ZHANG R， WANG X， et al. Multi‐step wind power forecast based on VMD‐LSTM [J]. IET renewable power generation， 2019， 13（10）： 1690?1700.

[10] WU Q， GUAN F， Lü C， et al. Ultra‐short‐term multi‐step wind power forecasting based on CNN‐LSTM [J]. IET renewable power generation， 2021， 15（5）： 1019?1029.

[11] DRAGOMIRETSKIY K， ZOSSO D. Variational mode decom?position [J]. IEEE transactions on signal processing， 2013， 62（3）： 531?544.

[12] VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need [C]// Advances in Neural Information Processing Systems. [S.l.]： ACM， 2017： 5998?6008.

[13] XIANG L， LIU J， YANG X， et al. Ultra?short term wind power prediction applying a novel model named SATCN?LSTM [J]. Energy conversion and management， 2022， 252： 115036.

[14] LIU S， XU T， DU X， et al. A hybrid deep learning model based on parallel architecture TCN?LSTM with Savitzky?Golay filter for wind power prediction [J]. Energy conversion and management， 2024， 302： 118122.

[15] BAI S， KOLTER J Z， KOLTUN V. An empirical evaluation of generic convolutional and recurrent networks for sequence modeling [EB/OL]. [2023?04?17]. https：//blog.csdn.net/m0_51324446/article/details/122839155.

[16] CHEN Y， XU J. Solar and wind power data from the Chinese state grid renewable energy generation forecasting competition [J]. Scientific data， 2022， 9（1）： 577.