基于贝叶斯优化和特征融合混合模型的短期风电功率预测

来源：计算机应用杂志2026年第2期北京时间：

作者：付锦程, 杨仕友

单位：浙江大学 电气工程学院，杭州 310027

摘要：为了提高短期风电功率预测的准确性，提出一种基于贝叶斯优化和特征融合的xLSTM（extended Long Short-Term Memory）-Transformer模型。该模型综合应用长短期记忆（LSTM）网络的时序处理能力和Transformer的自注意力机制的动态特征融合能力。借助贝叶斯优化方法，模型可在较少的迭代次数条件下优化超参数，显著降低模型对计算资源的依赖。实验结果表明，内蒙古某风电场数据集上，与单一的LSTM模型、Transformer模型、门控循环单元（GRU）模型以及未采用贝叶斯优化和特征融合的xLSTM-Transformer模型相比，当步长（LookBack）为4和8时，所提模型的决定系数R2较基准模型平均提升1.2%~11.3%；平均绝对误差（MAE）平均降低12.8%~38.4%；均方根误差（RMSE）平均降低8.6%~35.8%。结果表明，所提模型在短历史输入条件下具有更高的预测精度与稳定性。

关键词：风电功率预测,神经网络模型,贝叶斯优化,特征融合,深度学习