Face à la volatilité significative et à la nature aléatoire des données de puissance éolienne, ce qui entraîne une précision insuffisante des prévisions avec un modèle unique, une méthode de prévision ultra-courte durée de la puissance éolienne basée sur la décomposition modale et un modèle de réseau neuronal combiné est proposée. Tout d'abord, les données éoliennes sont traitées à l'aide d'une décomposition modale empirique améliorée et intégrée complète ainsi que de l'entropie d'échantillon, décomposant la série non stationnaire en sous-séries plus stationnaires, avec une reconstruction synchronisée des composantes oscillatoires à haute fréquence et des composantes stables à basse fréquence. Ensuite, un modèle de prévision mixte de la puissance éolienne basé sur un mécanisme d'attention auto-adaptatif et parcimonieux est construit ; pour les composantes oscillatoires à haute fréquence, plus complexes, un modèle Transformer auto-adaptatif parcimonieux est utilisé pour exploiter pleinement les caractéristiques clés des fluctuations ; pour les composantes stables à basse fréquence, un modèle bidirectionnel de cellule à mémoire à court terme avec portes est utilisé pour extraire pleinement les caractéristiques de la série. Enfin, les résultats de prévision de chaque composante sont additionnés pour obtenir le résultat final. Testé sur des données réelles d'un parc éolien du Shandong, les résultats montrent qu'en comparaison avec d'autres modèles courants, l'erreur quadratique moyenne et l'erreur absolue moyenne de notre modèle diminuent respectivement de 2,644 MW et 2,420 MW, tandis que le coefficient de détermination augmente de 18,2 %, indiquant de bonnes performances de prévision.

Décomposition modale;prévision de la puissance éolienne;entropie d'échantillon;mécanisme d'attention auto-adaptatif parcimonieux