Um das Problem der geringen Genauigkeit bei der Vorhersage der Windenergieleistung aufgrund der Unsicherheit und Variabilität der Windgeschwindigkeit zu lösen, wurde ein kombiniertes Modell VMD-ISSA-GRU auf der Grundlage der variationalen modalen Zerlegung (VMD), des verbesserten Spatzen-Suchalgorithmus (ISSA) und des Gate Recurrent Neural Network (GRU) vorgeschlagen. Zuerst wurde mit Hilfe der zentralen Frequenzmethode die Anzahl der VMD-Modalkomponenten bestimmt, um eine übermäßige oder unzureichende Zerlegung zu vermeiden. Dann wurde die Anwendung des chaotischen Mapping, des nichtlinearen abnehmenden Gewichts und einer Mutationsstrategie eingeführt, um den Spatzensuchalgorithmus zu verbessern, um das Gate-Recurrent-Neural-Network zu optimieren, dann wurde für jede zerlegte Teilfolge ein ISSA-GRU-Vorhersagemodell erstellt, und schließlich wurden die vorhergesagten Werte für jede Teilfolge akkumuliert, um den endgültigen Vorhersagewert zu erhalten. Dieses Modell wurde zur effektiven Vorhersage der Windenergieleistung in der Praxis eingesetzt, und die experimentellen Ergebnisse zeigten, dass das kombinierte Modell VMD-ISSA-GRU einen mittleren absoluten Fehler, einen mittleren prozentualen Fehler und einen mittleren quadratischen Fehler von 1,211 8 MW, 1,890 0 und 1,591 6 MW aufweist. Im Vergleich zu herkömmlichen GRU-Recurrent-Neural-Networks, Long Short-Term Memory (LSTM) und BiLSTM (Bi-directional LSTM) und anderen kombinierten Modellen bei der Vorhersagegenauigkeit eine deutliche Verbesserung aufweist und das Problem der geringen Genauigkeit bei der Vorhersage der Windenergieleistung gut löst

Windenergieleistungsvorhersage;Variationale modale Zerlegung;Verbesserter Spatzensuchalgorithmus;Gate-Rekurrentes neuronales Netzwerk;Hyperparameter