基于改进LSTM的风力发电数据预测算法OACSTPCD

现阶段长短期记忆(LSTM)神经网络在对风力发电数据进行预测时,仍存在过拟合、超参数选择范围偏大、时间成本较高、精度提升困难等问题。对此,提出一种基于麻雀搜索算法(SSA)和注意力机制(AM)的优化LSTM风电功率预测算法,构建SSA-SZLSTM-AM预测模型。该模型在利用超驱动区域失活(SZ)正则化改进LSTM结构的基础上,采用SSA解决LSTM因超参数选择随机性过大而导致预测精度难以提升的问题。同时,通过AM在LSTM预测时筛选出重要特征,进一步提高对风电功率的预测精度,且使用风电场相关数据对所提算法的可行性进行验证。结果表明,相较于6种比较算法,所提算法的均方根误差与平均绝对误差分别降低了约17.93个百分点和5.34个百分点,而决定系数(R 2)至少增加了2.14个百分点,有效提升了风电功率的预测精度。