这篇文档属于类型a，即报告了一项原创性研究的学术论文。以下是基于文档内容的详细学术报告：
本研究的主要作者是Zhengjing Ma和Gang Mei，他们来自中国地质大学（北京）的工程与技术学院。该研究于2022年6月13日提交至《Applied Energy》期刊，尚未正式发表。
本研究的主要科学领域是可再生能源，特别是风能预测。随着全球对可再生能源需求的增加，风能作为一种可行且具有前景的能源形式，在全球能源市场中占据重要地位。然而，由于天气条件的随机性和不确定性，风能的波动性给电网运营商带来了显著的运营和规划挑战。因此，准确预测风能对于电网生产、分配、存储管理以及能源市场决策具有重要意义。
传统风能预测方法包括物理方法和统计方法，但这些方法在处理高维大规模数据时存在局限性。近年来，深度学习（Deep Learning）作为一种强大的数据处理工具，被广泛应用于风能预测中。然而，现有的深度学习模型在处理复杂风能数据时仍存在不足，特别是时间序列分解过程繁琐且耗时。为了解决这些问题，本研究提出了一种基于混合注意力机制的深度学习模型，旨在提高风能预测的效率和准确性。
本研究的主要目标是开发一种新的深度学习模型，通过结合卷积神经网络（CNN）、双向长短期记忆网络（Bi-LSTM）和注意力机制，来简化时间序列分解过程，并提高风能预测的准确性。研究流程包括以下几个步骤：
数据准备：研究使用了一个真实的风能数据集，该数据集来自土耳其的一个风电场，包含了2018年1月1日至2018年12月31日期间的风速、风向和发电功率数据，共计50,530个观测值。数据通过SCADA系统（Supervisory Control and Data Acquisition）采集，并以10分钟为间隔记录。
数据预处理：数据预处理包括去噪、数据分割和归一化。去噪采用了奇异谱分析（SSA）方法，以减少噪声对模型性能的影响。数据分割采用了7:1:2的比例，即70%的数据用于训练，10%用于验证，20%用于测试。归一化采用了最小-最大缩放器（Min-Max Scaler）方法，将数据值缩放到[0,1]范围内。
模型构建：提出的混合深度学习模型包括四个主要模块：时间嵌入层（Time2Vec）、卷积神经网络（CNN）、堆叠的双向长短期记忆网络（Bi-LSTM）和注意力机制。Time2Vec层用于自动捕捉时间序列的周期性和非周期性模式；CNN层用于捕捉多个风能相关变量之间的非线性关系；Bi-LSTM层用于捕捉时间序列的时序相关性；注意力机制用于减少历史信息的丢失，并提高重要信息的影响。
模型训练与评估：模型训练采用了Adam优化器，批次大小为64，训练轮数为100。模型性能通过均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R2）进行评估。研究还进行了多次实验，以验证模型在不同季节数据上的预测性能。
模型性能：实验结果表明，提出的混合深度学习模型在风能预测中表现优异。与传统的深度学习模型（如LSTM和GRU）相比，该模型在RMSE、MAE和R2等指标上均表现出显著的优势。例如，在使用去噪数据的情况下，模型的RMSE为6.47，MAE为4.06，R2为96.97%。
季节影响：模型在不同季节数据上的预测性能存在差异。在秋季数据上，模型表现最佳，R2超过了97%。而在春季和夏季数据上，模型的表现相对较差，这可能是由于外部因素（如风速和风向）的季节性变化所致。
超参数调优：研究还探讨了不同超参数对模型性能的影响。结果表明，模型对超参数的选择具有一定的鲁棒性，但合理的超参数组合可以显著提高模型性能。例如，当Bi-LSTM单元数为64、CNN滤波器数为36、批次大小为128时，模型表现最佳。
本研究提出了一种基于混合注意力机制的深度学习模型，用于风能预测。该模型通过结合Time2Vec层、CNN、Bi-LSTM和注意力机制，简化了传统的时间序列分解过程，并提高了预测的准确性。实验结果表明，该模型在处理复杂风能数据时表现出色，尤其是在不同季节数据上的预测性能具有显著优势。该研究为风能预测提供了一种新的解决方案，具有重要的科学和应用价值。
本研究还探讨了数据去噪和归一化方法对模型性能的影响。结果表明，数据去噪可以略微提高模型的预测性能，而合理的归一化方法（如最小-最大缩放器和鲁棒缩放器）可以进一步提高模型的鲁棒性。此外，研究还验证了模型在不同超参数组合下的性能，为未来研究提供了有价值的参考。