基于注意力的循环神经网络以分解辅助为基础,用于多步前进的时间序列预测可再生能源发电

科学领域:

• 能源系统 能源系统
• 人工智能的人工智能
• 环境科学 环境科学

背景情况:

• 在面对化石燃料挑战的情况下,采用可再生能源对于满足全球能源需求至关重要.
• 整合可再生能源是复杂的,因为它们的间歇性和储存限制.
• 准确预测可再生能源发电对于电网稳定性和高效的能源管理至关重要.

研究的目的:

• 开发一个先进的可再生能源发电预测模型.
• 为了提高太阳能和风力发电场功率输出预测的准确性.
• 通过改进预测来应对可再生能源整合的挑战.

主要方法:

• 基于注意力的循环神经网络 (RNN) 架构用于时间序列预测.
• 时间序列分解技术被整合起来以提高预测准确度.
• 引入了一个修改后的元启发式优化算法来微调网络超参数.
• 拟议的模型在现实太阳能和风能数据集上得到了验证.

主要成果:

• 提出的基于注意力的RNN模型与最先进的优化器相比,表现出更高的性能.
• 听优化显著提高了可再生能源发电预测的准确性.
• 统计分析证实了开发的预测方法的稳定性和有效性.
• 为了解释表现最好的模型,使用了SHapley添加式扩展 (SHAP).

结论:

• 开发的以注意力为基础的RNN与元启发性优化为可再生能源预测提供了强大的解决方案.
• 准确的预测可以减轻与将可再生能源整合到电网中的挑战.
• 这种方法为优化可再生能源管理和电网稳定提供了宝贵的见解.