基于高斯混合模型和CNN-BiLSTM-Attn的日前风功率预测

随着风电装机占比不断增加，准确预测风力发电机输出功率对于保证电能质量、提升电力系统稳定性具有重要意义。针对风电场风机数据存在的多模式特性、非线性特征及时序相关问题，引入了基于高斯混合模型（Gaussian Mixture Model，GMM）的分组方案，并构建了融合卷积神经网络（Convolutional Neural Network, CNN）、双向长短期记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）和注意力机制（Attention，Attn）的组合日前风功率预测模型。首先，使用 GMM 依据历史风机数据特征将风电机组分成若干机组类型；随后，针对各子机组群建立分组预测的 CNN-BiLSTM-Attn 神经网络模型并进行日前风功率预测，其中 CNN 负责提取风电机组非线性数据的局部特征，BiLSTM 用于捕捉长期依赖关系，Attention 机制对 BiLSTM 提取的特征进行加权处理。通过某风电场数据的验证结果显示，该预测方法优于传统的单一预测算法和其他分组预测方法，为日前风功率预测提供了一种准确且高效的解决方案。