풍력 발전량 데이터의 뚜렷한 변동성과 무작위성으로 인해 단일 모델의 예측 정확도가 낮은 문제를 해결하기 위해 모달 분해 및 결합 신경망 모델 기반의 초단기 풍력 발전량 예측 방법을 제안하였다. 먼저, 개선된 완전 통합 경험 모달 분해와 샘플 엔트로피를 기반으로 풍력 데이터를 처리하여 비정상 시계를 비교적 정상적인 하위 시계로 분해하고, 고주파 진동 성분과 저주파 안정 성분을 동기 재구성하였다. 이후, 적응형 희소 자기 주의 메커니즘 기반의 풍력 혼합 예측 모델을 구축하였다. 복잡도가 높은 고주파 진동 성분에 대해서는 적응형 희소 Transformer 모델을 사용하여 주요 변동 특징을 충분히 발굴하였으며, 저주파 안정 성분에 대해서는 양방향 게이트 순환 유닛 모델을 사용하여 시계열 특징을 충분히 추출하였다. 마지막으로 각 성분의 예측 결과를 합산하여 최종 예측 결과를 도출하였다. 산둥 지역의 실제 풍력 발전소 데이터를 기반으로 시험한 결과, 제안한 모델은 다른 일반 모델에 비해 평균 제곱근 오차와 평균 절대 오차가 각각 2.644 MW, 2.420 MW 감소하였으며, 결정 계수는 18.2% 향상되어 우수한 예측 성능을 나타냈다.

모달 분해;풍력 발전량 예측;샘플 엔트로피;적응형 희소 자기 주의 메커니즘