基于特征相似日和CNN-BiLSTM-Attention模型的风电短期出力预测

来源：动力工程学报杂志2026年第2期北京时间：

作者：栾福明, 张衡, 陈海平,

摘要：短期风电功率预测对电力系统的实时调度至关重要,可靠的风电预测不仅能够保障电力系统的安全运行,还能提升电网的运行效率。为了获得更加准确、可靠的风电功率预测结果,针对风电功率数据的非线性和时序性特征,提出了一种将特征相似日和CNN-BiLSTM-Attention相结合的短期风电功率预测方法。首先,充分考虑气象因素对风电输出功率数据的影响,利用 Spearman相关系数筛选出与风电输出功率最相关的气象因子作为模型的输入参数。其次,采用高斯混合模型(GMM)对风电数据进行聚类分析,通过手肘法确定最佳的聚类簇数,并结合特征相似度和余弦相似熵方法,确定待测日与历史数据中最相关的聚类类型。最后,使用 CNN-BiLSTM-Attention模型进行训练,深度挖掘风电功率的时序特征,获得更加精准的风电功率预测结果。以新疆地区的实际风电功率数据为例进行了仿真分析,验证结果表明该方法的预测精度较高,能够为电力系统的规划与稳定运行提供有力支持。

关键词：风电功率,卷积神经网络,双向长短期记忆网络,注意力机制,电力系统,