海上风电3DTCN-CBAM-LSTM预测模型

多步预测误差大降

通过数据空间聚类筛选时空相关风场，结合三维时间卷积与注意力机制，在单步及多步预测中均显著优于常规神经网络。

Du, Ruoyun · Hongfei, Chen · Yu, Min · 李婉莹 · Niu, Dongxiao Xxiao · 王珂珂 · Zuozhong, Zhang

Applied Energy 2024

参数信息

单步预测MAE降低

20.004 MW

单步预测MAPE降低

50.13 %

单步预测MSE降低

55.61 %

单步预测R²提升

3.39 %

技术优势

多步预测保持领先

随着预测步数推进，模型在每一步都拥有最高的预测精度和拟合优度。

精度大幅提升

相比基准BPNN，单步预测的MAE降低20.004 MW，MAPE降低50.13%，MSE降低55.61%。

应用场景

• 海上风电功率预测：为海上风电场提供高精度多步功率预测，支撑安全调度与经济运行。
• 电力系统调度：减少功率预测误差，降低调度面临的技术经济风险。
• 风电功率预测：利用时空聚类筛选相关风场，提升风电功率预测精度。
• 时间序列预测：通过3DTCN与LSTM捕捉时空动态特征，强化时间序列预测能力。