本文提出了一种基于优化算法（OOA）的CNN-BiGUR-Attention混合模型，用于提升短期风电功率预测的准确性和稳定性。该模型利用卷积神经网络（CNN）提取输入数据的局部空间特征，双向门控循环单元（BiGUR）捕捉风速、功率等时间序列的前后向动态依赖关系，并通过注意力机制自适应强化关键时间步的特征权重。此外，采用OOA算法对模型超参数进行全局寻优，有效提升模型收敛速度和泛化性能。研究结果表明，该方法在预测精度、鲁棒性和误差抑制方面表现优于传统模型，适用于高比例可再生能源接入背景下的电力系统调度需求。 适合人群包括从事新能源发电预测、电力系统优化调度、智能算法与深度学习融合应用等方面的科研人员及工程技术人员，特别是具备Matlab编程能力、熟悉时间序列建模与深度学习框架的研究者。 使用场景及目标包括实现风电场短期功率高精度预测，支撑电网安全稳定调度与能量管理；为深度学习模型结构设计与智能优化算法联合调参提供实践范例；推动人工智能技术在可再生能源预测、智能电网运行等领域的落地应用。 阅读建议：建议结合提供的Matlab代码深入理解CNN-BiGUR-Attention网络架构搭建、注意力机制实现方式及OOA优化流程，重点关注数据预处理、模型训练与参数调优细节。可通过替换不同风电数据集进行对比实验，进一步掌握模型迁移能力和适应性。