计及信号模态分解与重构的风电功率组合预测

熊永康; 喻性利; 郑畅宇; 刘岩; 夏永洪; 宋冠宏

doi:10.19421/j.cnki.1006-6357.2025.11.011

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

计及信号模态分解与重构的风电功率组合预测

更新时间：2025-11-18

- 计及信号模态分解与重构的风电功率组合预测
- Vol. 42, Issue 11, Pages: 104-113(2025)
- 作者机构：
  
  1. 国网江西省电力有限公司电力科学研究院
  2. 南昌大学信息工程学院
- 作者简介：
- 基金信息：
- DOI：10.19421/j.cnki.1006-6357.2025.11.011
  CLC： TM614
- Published：2025
- 稿件说明：
移动端阅览
熊永康, 喻性利, 郑畅宇, et al. 计及信号模态分解与重构的风电功率组合预测[J]. 2025, 42(11): 104-113.
DOI：

熊永康, 喻性利, 郑畅宇, et al. 计及信号模态分解与重构的风电功率组合预测[J]. 2025, 42(11): 104-113. DOI： 10.19421/j.cnki.1006-6357.2025.11.011.

摘要

为提高风电功率预测精度，针对风电数据多维性、强波动性等特征，提出一种基于自适应白噪声完备经验模态分解（complete ensemble empirical mode decomposition with adaptive noise

CEEMDAN）、长短期记忆神经网络（long short-term memory

LSTM）与极限梯度提升（extreme gradient boosting

XGBoost）的组合预测方法。首先，对风电功率信号实施分解与重构处理：采用CEEMDAN将原始信号分解为若干本征模态函数（intrinsic mode functions

IMFs），并依据样本熵准则对各子序列进行重构，将其划分为高频分量与低频分量。随后，构建CEEMDAN-LSTM-XGBoost组合预测模型，通过皮尔逊相关系数分析识别与风电功率显著相关的环境变量，并将筛选出的关键外部因素与历史功率数据组合输入模型，以确定LSTM与XGBoost各自预测误差最小的最优输入特征集。最终，采用粒子群优化算法（particle swarm optimization

PSO）确定LSTM与XGBoost模型输出的最优组合权重。算例分析结果证实，提出的CEEMDAN-LSTM-XGBoost模型相较传统LSTM与XGBoost单一模型具有显著更高的预测精度。

Abstract

关键词

Keywords

references

Computer Science and Engineering Department, MNNIT Allahabad, Allahabad 211004, India,Computer Science and Engineering Department, MNNIT Allahabad, Allahabad 211004, India.Integration of new evolutionary approach with artificial neural network for solving short term load forecast problem[J].Applied Energy,2018.

朱乔木,李弘毅,王子琪,陈金富,王博.基于长短期记忆网络的风电场发电功率超短期预测[J].电网技术,2017(12).

岳晓宇,彭显刚,林俐.鲸鱼优化支持向量机的短期风电功率预测[J].电力系统及其自动化学报,2020(02).

赵倩,黄景涛.基于EMD-SA-SVR的超短期风电功率预测研究[J].电力系统保护与控制,2020(04).

赵佩,代业明.基于实时电价和加权灰色关联投影的SVM电力负荷预测[J].电网技术,2020(04).

梁志峰,王铮,冯双磊,董存,万筱钟,丘刚.基于波动规律挖掘的风电功率超短期预测方法[J].电网技术,2020(11).

陈纬楠,胡志坚,岳菁鹏,杜一星,齐祺.基于长短期记忆网络和LightGBM组合模型的短期负荷预测[J].电力系统自动化,2021(04).

杨茂,董昊.基于数值天气预报风速和蒙特卡洛法的短期风电功率区间预测[J].电力系统自动化,2021(05).

周小麟,童晓阳.基于CEEMD-SBO-LSSVR的超短期风电功率组合预测[J].电网技术,2021(03).

刘友波,吴浩,刘挺坚,杨智宇,刘俊勇,李秋航.集成经验模态分解与深度学习的用户侧净负荷预测算法[J].电力系统自动化,2021(24).

李卓,叶林,戴斌华,於益军,罗雅迪,宋旭日.基于IDSCNN-AM-LSTM组合神经网络超短期风电功率预测方法[J].高电压技术,2022(06).

余建明,庞传军.考虑数据和模型不确定性的短期风电功率概率预测[J].电网技术,2022(05).

赵凌云,刘友波,沈晓东,刘代勇,吕霜.基于CEEMDAN和改进时间卷积网络的短期风电功率预测模型[J].电力系统保护与控制,2022(01).

吴春华,董阿龙,李智华,汪飞.基于图相似日和PSO-XGBoost的光伏功率预测[J].高电压技术,2022(08).

李强,张伟,汪惟源,汪成根,郝思鹏.基于D-vine分位点回归的风电功率短期概率预测[J].供用电,2022(11).

赵龙,杨波,卢志鹏,杨扬,綦陆杰,刘淑莉.基于谱聚类和AM-LSTM的分布式光伏集群超短期预测方法[J].供用电,2023(07).

刘新宇,蒲欣雨,李继方,张江涛.基于贝叶斯优化的VMD-GRU短期风电功率预测[J].电力系统保护与控制,2023(21).

常雨芳,杨子潇,潘风,唐杨,黄文聪.基于CEEMDAN-PE-WPD和多目标优化的超短期风电功率预测方法[J].电网技术,2023(12).

周鑫,李燕,曾永辉,石鹏程.基于SARIMAX-SVR的光伏发电功率预测[J].电力系统及其自动化学报,2024(05).

李永飞,张耀,林帆,赵英杰,陈宇轩,赵寒亭,霍巍.基于气候特征分析及改进XGBoost算法的中长期光伏电站发电量预测方法[J].电力系统保护与控制,2024(11).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

考虑电能质量扰动时空分布特性的数据填充方法

Related Author

王玉财

李志远

吴一凡

李旭涛

郑子萱

胡文曦

陈逸飞

Related Institution

国网宁夏电力有限公司宁东供电公司

国网宁夏电力有限公司电力科学研究院

四川大学电气工程学院

AI问答

⁰