Pour résoudre le problème de la faible précision de la prédiction de la puissance éolienne due à l'incertitude et à la variabilité de la vitesse du vent, un modèle VMD-ISSA-GRU combiné basé sur la décomposition modale variationnelle (VMD), l'algorithme amélioré de recherche des moineaux (ISSA) et le réseau neuronal récurrent à porte (GRU) a été proposé. Tout d'abord, en utilisant la méthode de la fréquence centrale, le nombre de composants modaux VMD a été déterminé pour éviter une décomposition excessive ou insuffisante. Ensuite, l'application de la cartographie chaotique, du poids décroissant non linéaire et d'une stratégie de mutation a été introduite pour améliorer l'algorithme de recherche des moineaux afin d'optimiser le réseau neuronal récurrent à porte, puis un modèle de prédiction ISSA-GRU a été construit pour chaque sous-séquence décomposée, et enfin, les valeurs prédites pour chaque sous-séquence ont été accumulées pour obtenir la valeur de prédiction finale. Ce modèle a été utilisé pour la prédiction effective de la puissance éolienne, et les résultats expérimentaux ont montré que le modèle combiné VMD-ISSA-GRU a une erreur absolue moyenne, un pourcentage d'erreur moyen et une erreur quadratique moyenne de 1,211 8 MW, 1,890 0, respectivement et 1,591 6 MW. Comparé aux réseaux neuronaux récurrents traditionnels GRU, à la mémoire à court terme longue (LSTM), au réseau neuronal bidirectionnel de mémoire à court terme longue (BiLSTM) et à d'autres modèles combinés en termes de précision de prédiction, il présente une amélioration significative et résout bien le problème de la faible précision de la prédiction de la puissance éolienne

Prédiction de puissance éolienne;Décomposition modale variationnelle;Algorithme amélioré de recherche des moineaux;Réseau neuronal récurrent à porte;Hyperparamètres