基于多尺度注意力机制融合网络的海上风电功率多步预测研究

本文提出了一种基于序列到序列(Seq2Seq)架构的海上风电功率多步预测混合模型mDAFNet（多尺度去噪注意力融合网络）。该模型创新性地融合了可学习小波分解网络(mLWDN)、频域插值去噪技术(FITS)和傅里叶-加性双注意力机制，通过高低频双分支联合预测，在两项实测数据集中平均降低MAE 33.94%、RMSE 36.62%和MAPE 39.84%，为复杂海洋环境下的风电调度提供了新范式。

　　

Highlight亮点

本研究针对海上风电功率的非线性、非平稳及多尺度特性，提出具有三大创新点的mDAFNet模型：(1)首创端到端可学习分解框架，将传统小波变换重构为可反向传播优化的多级可学习小波分解网络(mLWDN)，其小波基参数可动态调整；(2)设计时频双注意力协同机制，编码器采用傅里叶注意力(Fourier Attention)捕捉全局周期性，解码器采用加性注意力(Additive Attention)聚焦局部波动；(3)构建高低频双分支预测架构，高频分支通过双注意力Seq2Seq捕捉短期波动，低频分支采用LSTM建模长期趋势。

The Composite forecasting model mDAFNet based on improved Seq2Seq基于改进Seq2Seq的复合预测模型

mDAFNet采用"预处理-分解-去噪-预测"四阶段架构：首先通过孤立森林算法清洗异常值，结合灰色关联分析(GRA)和互信息(MI)筛选特征；随后mLWDN模块在频域生成高低频子序列，其中高频分量经FITS频域插值去噪；最终双分支网络并行预测，高频分支采用配备双注意力机制的Seq2Seq模型，低频分支使用LSTM网络，通过加权融合生成最终预测结果。

Experimental analysis实验分析

在CentOS系统搭载Tesla V100S GPU的硬件环境下，使用PyTorch框架进行实验。模型训练采用Adam优化器以均方误差(MSE)为目标函数，设置早停机制(30轮)。在两项海上风电数据集上的测试表明，mDAFNet显著优于对比模型，其MAE、RMSE和MAPE平均降幅超30%，且对噪声干扰表现出更强鲁棒性。

Conclusions结论

本研究构建的mDAFNet模型通过可学习分解、自适应去噪和双注意力机制的有效协同，突破了传统方法在参数固定化、噪声敏感性和特征提取单一性等方面的局限。实验证实该模型能精准捕捉海上风电的多尺度特征，为智能电网调度和碳中和目标实现提供了创新技术路径。未来研究将探索模型在极端天气条件下的适应性优化。