基于双重注意力LSTM神经网络的可解释海上风电出力预测

苏向敬; 周汶鑫; 李超杰; 米阳; 符杨; 董朝阳

doi:10.7500/AEPS20210427004

您当前的位置：

首页 >

文章列表页 >

基于双重注意力LSTM神经网络的可解释海上风电出力预测

研制与开发 | 更新时间：2025-06-16

- 基于双重注意力LSTM神经网络的可解释海上风电出力预测
- Interpretable Offshore Wind Power Output Forecasting Based on Long Short-term Memory Neural Network with Dual-stage Attention
- 电力系统自动化 2022年46卷第7期页码：141-151
- 作者机构：
  
  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
- 作者简介：
  
  苏向敬(1984—)，男，博士，副教授，硕士生导师，主要研究方向：海上风电大数据技术、主动配电网优化规划运行。E-mail：xiangjing_su@126.com
  周汶鑫(1997—)，女，硕士研究生，主要研究方向：基于人工智能的海上风电出力预测技术。E-mail：zwx.1997.ok@163.com
  李超杰（1985—），男，博士，高级研究员，主要研究方向：图表示学习、可解释时序预测、智慧能源系统。E-mail：chaojie.li@unsw.edu.au
  符杨(1968—)，男，通信作者，博士，教授，博士生导师，主要研究方向：风力发电与并网技术、变压器状态监测与故障诊断。E-mail：mfudong@126.com
- 基金信息：
  
  上海市教育委员会科研创新计划资助项目(2021-01-07-00-07-E00122)
- DOI：10.7500/AEPS20210427004
  中图分类号：
- 收稿：2021-04-27，
  
  修回：2021-10-08，
  
  网络出版：2022-01-14，
  
  纸质出版：2022-04-10
- 稿件说明：
移动端阅览
苏向敬,周汶鑫,李超杰等.基于双重注意力LSTM神经网络的可解释海上风电出力预测[J].电力系统自动化,2022,46(7):141-151.

SU Xiangjing,ZHOU Wenxin,LI Chaojie,et al.Interpretable Offshore Wind Power Output Forecasting Based on Long Short-term Memory Neural Network with Dual-stage Attention[J].Automation of Electric Power Systems,2022,46(7):141-151.
苏向敬,周汶鑫,李超杰等.基于双重注意力LSTM神经网络的可解释海上风电出力预测[J].电力系统自动化,2022,46(7):141-151. DOI： 10.7500/AEPS20210427004.

SU Xiangjing,ZHOU Wenxin,LI Chaojie,et al.Interpretable Offshore Wind Power Output Forecasting Based on Long Short-term Memory Neural Network with Dual-stage Attention[J].Automation of Electric Power Systems,2022,46(7):141-151. DOI： 10.7500/AEPS20210427004.

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。

Abstract

Offshore wind power is faced with the deep coupling effect of complex and changeable meteorological and sea conditions

which leads to the accuracy of output forecasting to be improved. At the same time

the “black box” structure of the forecasting model leads to the low reliability of output forecasting results in the engineering applications. To address the above problems

an ultra-short-term offshore wind power output forecasting model is proposed based on long short-term memory (DALSTM) neural network with the dual-stage attention. Based on the long short-term memory neural network

the dual-stage attention mechanism of feature space and time series is introduced to dynamically explore the potential correlations between the offshore wind power output and the input features. The importance evaluation is carried out from feature and time to improve the interpretability of the proposed DALSTM model. Finally

simulations are conducted on the data supervisory control and data acquisition collected from the Donghai Bridge offshore wind farm of China. The results show that the proposed DALSTM model can effectively forecast the ultra-short-term offshore wind power output

and has higher forecasting accuracy and stability than the traditional forecasting models

as well as reasonable interpretability.

关键词

Keywords

references

周孝信，陈树勇，鲁宗相，等 . 能源转型中我国新一代电力系统的技术特征［J］. 中国电机工程学报， 2018 ， 38 （ 7 ）： 1893 - 1904 .

ZHOU Xiaoxin ， CHEN Shuyong ， LU Zongxiang ， et al . Technology features of the new generation power system in China ［J］. Proceedings of the CSEE ， 2018 ， 38 （ 7 ）： 1893 - 1904 .

魏书荣，何之倬，符杨，等 . 海上风电机组故障容错运行研究现状分析［J］. 电力系统保护与控制， 2016 ， 44 （ 9 ）： 145 - 154 .

WEI Shurong ， HE Zhizhuo ， FU Yang ， et al . Research status and prospect of offshore wind turbine fault tolerance ［J］. Power System Protection and Control ， 2016 ， 44 （ 9 ）： 145 - 154 .

薛禹胜，郁琛，赵俊华，等 . 关于短期及超短期风电功率预测的评述［J］. 电力系统自动化， 2015 ， 39 （ 6 ）： 141 - 151 .

XUE Yusheng ， YU Chen ， ZHAO Junhua ， et al . A review on short-term and ultra-short-term wind power prediction ［J］. Automation of Electric Power Systems ， 2015 ， 39 （ 6 ）： 141 - 151 .

李争，张蕊，孙鹤旭，等 . 可再生能源多能互补制-储-运氢关键技术综述［J］. 电工技术学报， 2021 ， 36 （ 3 ）： 445 - 462 .

LI Zheng ， ZHANG Rui ， SUN Hexu ， et al . Review on key technologies of hydrogen generation， storage and transportation based on multi-energy complementary renewable energy ［J］. Transactions of China Electrotechnical Society ， 2021 ， 36 （ 3 ）： 445 - 462 .

周勇良，余光正，刘建锋，等 . 基于改进长期循环卷积神经网络的海上风电功率预测［J］. 电力系统自动化， 2021 ， 45 （ 3 ）： 183 - 191 .

ZHOU Yongliang ， YU Guangzheng ， LIU Jiangfeng ， et al . Offshore wind power prediction based on improved long-term recurrent convolutional neural network ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 3 ）： 183 - 191 .

LIU Y ， GUAN L ， HOU C ， et al . Wind power short-term prediction based on LSTM and discrete wavelet transform ［J］. Applied Sciences ， 2019 ， 9 （ 6 ）： 1108 .

LIN Z ， LIU X . Wind power forecasting of an offshore wind turbine based on high-frequency SCADA data and deep learning neural network ［J］. Energy ， 2020 ， 201 ： 117693 .

ZHEN H ， NIU D ， YU M ， et al . A hybrid deep learning model and comparison for wind power forecasting considering temporal-spatial feature extraction ［J］. Sustainability ， 2020 ， 12 （ 22 ）： 9490 .

汪欣，蔡旭，李征 . 结合交叉局部异常因子和注意力机制的超短期风电功率预测方法［J］. 电力系统保护与控制， 2020 ， 48 （ 23 ）： 92 - 99 .

WANG Xin ， CAI Xu ， LI Zheng . Ultra-short-term wind power forecasting method based on a cross LOF preprocessing algorithm and an attention mechanism ［J］. Power System Protection and Control ， 2020 ， 48 （ 23 ）： 92 - 99 .

CARVALHO D V ， PEREIRA E M ， CARDOSO J S . Machine learning interpretability： a survey on methods and metrics ［J］. Electronics ， 2019 ， 8 （ 8 ）： 832 .

LI F ， ZHOU H ， WANG Z ， et al . ADDCNN： an attention-based deep dilated convolutional neural network for seismic facies analysis with interpretable spatial-spectral maps ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2020 ， 59 （ 2 ）： 1733 - 1744 .

纪守领，李进锋，杜天宇，等 . 机器学习模型可解释性方法、应用与安全研究综述［J］. 计算机研究与发展， 2019 ， 56 （ 10 ）： 2071 - 2096 .

JI Shouling ， LI Jinfeng ， DU Tianyu ， et al . Survey on techniques， applications and security of machine learning interpretability ［J］. Journal of Computer Research and Development ， 2019 ， 56 （ 10 ）： 2071 - 2096 .

LIM B ， ARIK S O ， LOEFF N ， et al . Temporal fusion transformers for interpretable multi-horizon time series forecasting ［EB/OL］. ［ 2021-02-12 ］. https：//arxiv.org/abs/1912.09363 https://arxiv.org/abs/1912.09363 .

BHATT U ， XIANG A ， SHARMA S ， et al . Explainable machine learning in deployment ［EB/OL］. ［ 2020-10-05 ］. https：//arxiv.org/abs/1909.06342 https://arxiv.org/abs/1909.06342 .

ARRIETA A B ， DÍAZ-RODRÍGUEZ N ， DEL SER J ， et al . Explainable artificial intelligence （XAI）： concepts， taxonomies， opportunities and challenges toward responsible AI ［J］. Information Fusion ， 2020 ， 58 ： 82 - 115 .

LI C ， DONG Z ， CHEN G ， et al . Data-driven planning of electric vehicle charging infrastructure： a case study of Sydney， Australia ［J］. IEEE Transactions on Smart Grid ， 2021 ， 12 （ 4 ）： 3289 - 3304 .

HOCHREITER S ， SCHMIDHUBER J . Long short-term memory ［J］. Neural Computation ， 1997 ， 9 （ 8 ）： 1735 - 1780 .

孙丙香，任鹏博，陈育哲，等 . 锂离子电池在不同区间下的衰退影响因素分析及任意区间的老化趋势预测［J］. 电工技术学报， 2021 ， 36 （ 3 ）： 666 - 674 .

SUN Bingxiang ， REN Pengbo ， CHEN Yuzhe ， et al . Analysis of influencing factors of degradation under different interval stress and prediction of aging trend in any interval for lithium-ion battery ［J］. Transactions of China Electrotechnical Society ， 2021 ， 36 （ 3 ）： 666 - 674 .

庞传军，余建明，冯长有，等 . 基于LSTM自动编码器的电力负荷聚类建模及特性分析［J］. 电力系统自动化， 2020 ， 44 （ 23 ）： 57 - 63 .

PANG Chuanjun ， YU Jianming ， FENG Changyou ， et al . Clustering modeling and characteristic analysis of power load based on long-short-term memory auto-encoder ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 23 ）： 57 - 63 .

GUO T ， LIN T ， ANTULOV-FANTULIN N . Exploring interpretable LSTM neural networks over multi-variable data ［C］// International Conference on Machine Learning ， November 19-22 ， 2019 ， Taiwan， China ： 2494 - 2504 .

BAHDANAU D ， CHO K ， BENGIO Y . Neural machine translation by jointly learning to align and translate ［C］// International Conference on Learning Representations ， May 7-9 ， 2015 ， San Diego， USA .

LI A ， XIAO F ， ZHANG C ， et al . Attention-based interpretable neural network for building cooling load prediction ［J］. Applied Energy ， 2021 ， 299 ： 117238 .

LUONG M T ， PHAM H ， MANNING C D . Effective approaches to attention-based neural machine translation ［C］// Conference on Empirical Methods in Natural Language ， September 17-21 ， 2015 ， Lisbon， Portugal ： 1412 - 1421 .

CHAN W ， JAITLY N ， LE Q ， et al . Listen， attend and spell： a neural network for large vocabulary conversational speech recognition ［C］// IEEE International Conference on Acoustics， Speech and Signal Processing ， March 20-25 ， 2016 ， Shanghai， China ： 4960 - 4964 .

HE X ， HE Z ， SONG J ， et al . NAIS： neural attentive item similarity model for recommendation ［J］. IEEE Transactions on Knowledge and Data Engineering ， 2018 ， 30 （ 12 ）： 2354 - 2366 .

LIU T ， WEI H ， ZHANG K . Wind power prediction with missing data using Gaussian process regression and multiple imputation ［J］. Applied Soft Computing ， 2018 ， 71 ： 905 - 916 .

BENGIO Y ， SIMARD P ， FRASCONI P . Learning long-term dependencies with gradient descent is difficult ［J］. IEEE Transactions on Neural Networks ， 1994 ， 5 （ 2 ）： 157 - 166 .

VENKATRAMAN A ， HEBERT M ， BAGNELL J A . Improving multi-step prediction of learned time series models ［C］// 29th AAAI Conference on Artificial Intelligence ， January 25-30 ， 2015 ， Austin， USA ： 3024 - 3030 .

LIU X ， ZHANG Z . A two-stage deep autoencoder-based missing data imputation method for wind farm SCADA data ［J］. IEEE Sensors Journal ， 2021 ， 21 （ 9 ）： 10933 - 10945 .

王令闻，黄玲玲，张智伟 . 基于运行数据的海上风电场功率特性分析［J］. 现代电力， 2020 ， 37 （ 5 ）： 532 - 538 .

WANG Lingwen ， HANG Lingling ， ZHANG Zhiwei . Analysis on power characteristics of offshore wind farm based on measured operational data ［J］. Modern Electric Power ， 2020 ， 37 （ 5 ）： 532 - 538 .

GUO Z ， WAN Y ， YE H . A data imputation method for multivariate time series based on generative adversarial network ［J］. Neurocomputing ， 2019 ， 360 ： 185 - 197 .

SUN C ， CHEN Y ， CHENG C . Imputation of missing data from offshore wind farms using spatio-temporal correlation and feature correlation ［J］. Energy ， 2021 ， 229 ： 120777 .

朱乔木，李弘毅，王子琪，等 . 基于长短期记忆网络的风电场发电功率超短期预测［J］. 电网技术， 2017 ， 41 （ 12 ）： 3797 - 3802 .

ZHU Qiaomu ， LI Hongyi ， WANG Ziqi ， et al . Short-term wind power forecasting based on LSTM ［J］. Power System Technology ， 2017 ， 41 （ 12 ）： 3797 - 3802 .

LIU X ， LIN Z ， FENG Z . Short-term offshore wind speed forecast by seasonal ARIMA—a comparison against GRU and LSTM ［J］. Energy ， 2021 ， 227 ： 120492 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

海上风电DRU-HVDC送出系统构网-跟网型风机容量配置

海上风电-柔直与常规直流混合馈入系统谐振稳定性分析及优化

海上风电多端柔性直流输电系统及直流故障处理方案

计及系统谐振稳定性和运行可靠性的海上风电分频送出规划

计及陆上电网外送能力影响的海上直流系统经济并网规划