Aufgrund der erheblichen Volatilität und Zufälligkeit der Windenergie-Leistungsdaten, die dazu führen, dass die Prognosegenauigkeit eines einzelnen Modells unzureichend ist, wird eine Methode zur ultraschnellen Vorhersage der Windenergie-Leistung vorgeschlagen, die auf modaler Zerlegung und einem kombinierten neuronalen Netzwerkmodell basiert. Zunächst werden die Windenergiedaten basierend auf der verbesserten vollständig integrierten empirischen modalen Zerlegung und der Stichprobenentropie verarbeitet, wobei nichtstationäre Reihen in relativ stationäre Teilreihen zerlegt werden und hochfrequente oszillatorische Komponenten sowie niederfrequente stationäre Komponenten gleichzeitig rekonstruiert werden. Anschließend wird ein hybrides Windenergie-Vorhersagemodell basierend auf einem adaptiven spärlichen Selbstaufmerksamkeitsmechanismus entwickelt: Für die komplexeren hochfrequenten oszillatorischen Komponenten wird ein adaptives spärliches Transformer-Modell eingesetzt, um die wichtigsten Schwankungsmerkmale umfassend zu erfassen; für die niederfrequenten stationären Komponenten wird ein bidirektionales Gated Recurrent Unit-Modell verwendet, um die Serienmerkmale vollständig zu extrahieren. Schließlich werden die Vorhersageergebnisse der einzelnen Komponenten addiert, um das Endergebnis zu erhalten. Getestet mit realen Daten eines Windparks in Shandong zeigten die Ergebnisse, dass im Vergleich zu anderen gebräuchlichen Modellen der mittlere quadratische Fehler und der mittlere absolute Fehler des vorgeschlagenen Modells um 2,644 MW bzw. 2,420 MW reduziert wurden, während der Bestimmtheitskoeffizient um 18,2 % erhöht wurde, was auf eine gute Vorhersageleistung hinweist.

Modale Zerlegung;Windenergie-Leistungsprognose;Stichprobenentropie;adaptiver sparsamer Selbstaufmerksamkeitsmechanismus