基于可学习小波自注意力模型的海上风电功率超短期预测

为提升海上风电功率超短期预测的精度与可信度，提出一种融合可学习小波的自注意力模型。该模型结合小波分解与深度学习，实现多频域特征提取，并通过稀疏自注意力机制捕获全局时序依赖，增强预测性能。进一步设计时序“敏感度”量化分析方法，对输入变量进行多维度重要性评估，辅助解析预测机理。基于实际风场数据的实验结果表明，所提模型在预测精度上优于对比模型。

为了提高海上风电功率预测的精度以及其预测结果的可信度,提出了一种融合可学习小波的自注意力模型,有效提升了海上风电功率预测的精度,并且具备一定的预测过程分析能力.首先,将小波分解与深度学习模型融合,使模型具备从不同频域提取特征的能力.其次,构建稀疏自注意力预测网络,实现对全局信息特征的有效提取,提高模型的预测性能.接着,提出一种时序"敏感度"量化分析方法,在多维度下对海上风电参量输入进行重要性评估,在一定程度上对预测机理进行合理的分析.最后,基于风场实际运行数据进行相关实验.实验结果表明,相较对比模型,所提模型在海上风电超短期预测任务上具有更高的预测精度.