国产精品jizz在线观看老狼,用力挺进新婚白嫩少妇,欧美性网址

基于注意力機(jī)制的ABG-GCA模型中長(zhǎng)期風(fēng)電功率預(yù)測(cè)

來源：電工電氣發(fā)布時(shí)間：2025-03-03 15:03 瀏覽次數(shù)：304

基于注意力機(jī)制的ABG-GCA模型中長(zhǎng)期風(fēng)電功率預(yù)測(cè)

蒲海濤^1，2，代英健¹

(1 山東科技大學(xué) 電氣與自動(dòng)化工程學(xué)院，山東青島 266590；

2 山東科技大學(xué)濟(jì)南校區(qū) 電氣信息系，山東濟(jì)南 250031)

摘要：風(fēng)電功率預(yù)測(cè)對(duì)電力系統(tǒng)的穩(wěn)定性和經(jīng)濟(jì)性具有重要意義。針對(duì)已有模型預(yù)測(cè)時(shí)間較長(zhǎng)和預(yù)測(cè)精度存在較大誤差的問題，提出了一種新型的 ABG-GCA 模型，該模型通過 Autoformer 的自相關(guān)機(jī)制與基于全局注意力機(jī)制的雙向門控循環(huán)單元將處理好的數(shù)據(jù)進(jìn)行并行預(yù)測(cè)，對(duì)各分量的預(yù)測(cè)值利用交叉注意力機(jī)制來進(jìn)行權(quán)重分配形成高效準(zhǔn)確功率的預(yù)測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明，該模型在預(yù)測(cè)精度和時(shí)間效率方面優(yōu)于傳統(tǒng)模型，能夠有效捕捉風(fēng)電功率的變化趨勢(shì)，對(duì)于不同季節(jié)的預(yù)測(cè)自適應(yīng)性極強(qiáng)且預(yù)測(cè)精度高。

關(guān)鍵詞： 風(fēng)電功率預(yù)測(cè)；二次分解技術(shù)；ABG-GCA 模型；中長(zhǎng)期預(yù)測(cè)；自相關(guān)機(jī)制；全局注意力機(jī)制；交叉注意力機(jī)制；預(yù)測(cè)精度

中圖分類號(hào)：TM614 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-3175(2025)02-0010-09

Medium and Long Term Wind Power Prediction by ABG-GCA

Model Based on Attention Mechanism

PU Hai-tao^{1, 2}, DAI Ying-jian¹

（1 College of Electrical Engineering and Automation, Shandong University of Science and Technology, Qingdao 266590, China;

2 Electrical Information Department, Shandong University of Science and Technology-Jinan Campus, Jinan 250031, China）

Abstract: The wind power prediction is of great significance to the stability and economy of power system. In this paper, a new ABGGCA model is proposed to solve the problem that the existing model has a long prediction time and a large error in prediction accuracy. The model uses the autocorrelation mechanism of Autoformer and the bidirectional gated recurrent unit based on the global attention mechanism to predict the processed data in parallel. The cross-attention mechanism is used to assign weights to the predicted values of each component to form an efficient and accurate power prediction result. The experimental results show that the model is superior to the traditional model,in terms of prediction accuracy and time efficiency which can effectively capture the change trend of wind power and prediction for different seasons has strong adaptability and high precision.

Key words: wind power prediction; secondary decomposition technique; ABG-GCA model; medium and long term prediction; autocorrelation mechanism; global attention mechanism; cross-attention mechanism; prediction accuracy

參考文獻(xiàn)

[1] 汪欣. 基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率優(yōu)化預(yù)測(cè)方法[D]. 上海：上海交通大學(xué)，2020.

[2] ZHU Changsheng, ZHU Lina.Wind Speed Short-Term Prediction Based on Empirical Wavelet Transform， Recurrent Neural Network and Error Correction[J].Journal of Shanghai Jiaotong University(Science)，2024，29(2) ：297-308.

[3] CHEN Gonggui, LI Lijun, ZHANG Zhizhong, et al.Short-term wind speed forecasting with principle-subordinate predictor based on Conv-LSTM and improved BPNN[J].IEEE Access，2020，8 ：67955-67973.

[4] 程杰，陳鼎，李春，等. 基于 GWO-CNN-BiLSTM 的超短期風(fēng)電預(yù)測(cè)[J] . 科學(xué)技術(shù)與工程，2023，23(35) ：15091-15099.

[5] 符楊，任子旭，魏書榮，等. 基于改進(jìn) LSTM-TCN 模型的海上風(fēng)電超短期功率預(yù)測(cè)[J] . 中國(guó)電機(jī)工程學(xué)報(bào)，2022，42(12) ：4292-4302.

[6] 郎偉明，麻向津，周博文，等．基于 LSTM 和非參數(shù)核密度估計(jì)的風(fēng)電功率概率區(qū)間預(yù)測(cè)[J]．智慧電力，2020，48(2) ：31-37．

[7] WANG W, FENG B, HUANG G, et al.Conformal asymmetric multi-quantile generative transformer for day-ahead wind power interval prediction[J].Applied Energy，2023，333 ：120634.

[8] BENTSEN L D, WARAKAGODA N D, STENBRO R, et al. pSatiotemporal wind speed forecasting using graph networks and novel transformer architectures[J].Applied Energy，2023，333 ：120565.

[9] WANG Lei, HE Yigang, LI Lie, et al.A novel approach to ultra-short-term multi-step wind power predictions based on encoder-decoder architecture in natural language processing[J].Journal of Cleaner Production，2022，354 ：131723.

[10] 駱釗，吳諭侯，朱家祥，等. 基于多尺度時(shí)間序列塊自編碼 Transformer 神經(jīng)網(wǎng)絡(luò)模型的風(fēng)電超短期功率預(yù)測(cè)[J]. 電網(wǎng)技術(shù)，2023，47(9) ：3527-3536.

[11] 林錚，劉可真，沈賦，等. 考慮海上風(fēng)電多機(jī)組時(shí)空特性的超短期功率預(yù)測(cè)模型[J] . 電力系統(tǒng)自動(dòng)化，2022，46(23) ：59-66.

[12] WU Haixu, XU Jiehui, WANG Jianmin, et al.Autoformer: Decomposition transformers with autocorrelation for long-term series forecasting[J].Advances in Neural Information Processing Systems，2021，34 ：22419-22430.

[13] 王渝紅，史云翔，周旭，等. 基于時(shí)間模式注意力機(jī)制的 BiLSTM 多風(fēng)電機(jī)組超短期功率預(yù)測(cè)[J]. 高電壓技術(shù)，2022，48(5) ：1884-1892.

[14] 宋柯. 基于多時(shí)間尺度及注意力機(jī)制的風(fēng)電功率預(yù)測(cè)技術(shù)研究[D]. 重慶：重慶理工大學(xué)，2023.

[15] 李靜茹，姚方. 引入注意力機(jī)制的 CNN 和 LSTM 復(fù)合風(fēng)電預(yù)測(cè)模型[J]. 電氣自動(dòng)化，2022，44(6) ：4-6.

[16] 王家樂，張耀，林帆，等. 基于自注意力特征提取的光伏功率組合概率預(yù)測(cè)[J] . 太陽能學(xué)報(bào)，2024，45(12) ：123-131.

[17] CAI J , ZHANG K , JIANG H . Power Quality Disturbance Classification Based on Parallel Fusion of CNN and GRU [J] . Energies，2023，16(10) ：4029.

[18] 喬石，王磊，張鵬超，等. 基于時(shí)間模式注意力機(jī)制的 GRU 短期負(fù)荷預(yù)測(cè)[J] . 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2023，35(10) ：49-58.

[19] 龍鋮，余成波，何鋮，等. 基于雙重注意力機(jī)制 CNN-BiLSTM 與 LightGBM 誤差修正的超短期風(fēng)電功率預(yù)測(cè)[J].電氣工程學(xué)報(bào)，2024，19(2) ：138-145.

[20] LUONG M T, PHAM H, MANNING C D.Effective approaches to attention-based neural machine translation[J].ArXiv Preprint ArXiv，2015，1508 ：04025.

返回索引列表

Article retrieval

文章檢索

基于注意力機(jī)制的ABG-GCA模型中長(zhǎng)期風(fēng)電功率預(yù)測(cè)