引言
随着全球对可再生能源需求的不断增长，风电作为一种清洁能源，其发电量预测的准确性对于电网的稳定运行和能源管理具有重要意义。风电场发电功率的时间序列预测是一个复杂的非线性问题，它涉及多种气象因素和环境条件。如果能对风电场的发电功率进行准确预测，电力调度部门就可通过预先安排调度计划，从而有效降低风电波动的不利影响。因此，提高风电功率预测精度具有重要意义［1］。目前，风电功率预测方法主要分为物理方法、统计方法和机器学习方法。物理方法基于数值天气预报，通过预测未来风速和风向，结合风电机组的“风速-功率”曲线得到风功率预测值。然而，风速和风向预测的误差会传递到功率预测中，导致精度受限。统计方法则依赖于历史数据，通过建立统计学习模型进行预测，但难以捕捉复杂的非线性关系。
预测风电场主要通过分析风的历史时间序列，并对其进行统计为预测风力发电功率提供指导，同时采用时变解释模型变量预判和评价风力发电功率。传统的预测方法，如物理模型和统计模型，虽然在一定程度上能够提供预测结果，但往往难以捕捉风电功率变化的复杂性和动态性［2］。近年来，机器学习方法因其强大的非线性映射能力得到了广泛应用。其中，深度学习模型，如卷积神经网络（CNN）、长短期记忆网络（LSTM）和门控循环单元（GRU）等，因其在处理时间序列数据方面的优势，成为风电功率预测的主流方法［3-4］。研究者们不断探索新的方法以提高风电功率预测的精度。例如，Liu［5］等提出了一种结合LSTM和LightGBM的混合模型，用于澳大利亚陆上风电功率的短期预测。Sun［6］等提出了一种基于时空相关性和Transformer神经网络的短期多步风电功率预测方法，展示了Transformer在处理长序列数据中的潜力。此外，还有一些研究通过改进参数优化算法来提高模型的预测性能。然而，这些方法在处理非常长的序列时仍面临挑战。LSTM作为一种循环神经网络（RNN）的变种，因能够有效地捕捉时间序列数据中的长期依赖关系而被广泛用于风电功率预测［7］。然而，LSTM在处理非常长的序列时可能会遇到梯度消失或爆炸的问题。为了解决这一问题，研究者们开始探索结合LSTM和Transformer模型的方法。Transformer模型通过自注意力机制能够处理序列数据中的长距离依赖问题，且不受序列长度的限制［8］。
为了克服LSTM和Transformer各自的局限性并发挥各自的优势，本文在两者结合的基础上引入自适应稀疏自注意力机制（ASSA）［9］，通过减少注意力计算中的冗余，使得模型能够更加专注于序列中的关键信息。结合LSTM、ASSA和Transformer的模型展现出了优异的性能。通过LSTM捕捉长期依赖性，ASSA和Transformer处理复杂的时空关系，该模型能够提供更准确的风电功率预测。
本文详细内容请下载：
http://www.chinaaet.com/resource/share/2000006374
作者信息：
王首晨1,王利民2
（1.河北建筑工程学院信息工程学院，河北张家口075000;
2.河北建筑工程学院理学院，河北张家口075000）
