Para resolver el problema de la baja precisión en la predicción de la potencia eólica debido a la incertidumbre y variabilidad de la velocidad del viento, se propone un modelo combinado VMD-ISSA-GRU basado en la descomposición modal variacional (VMD), el algoritmo de búsqueda mejorado de gorriones (ISSA) y la red neuronal recurrente de puertas (GRU). En primer lugar, utilizando el método de la frecuencia central, se determinó el número de componentes modales VMD para evitar una descomposición excesiva o insuficiente. Luego, se introdujo la aplicación del mapeo caótico, el peso decreciente no lineal y una estrategia de mutación para mejorar el algoritmo de búsqueda de gorriones con el fin de optimizar la red neuronal recurrente de puertas, luego se construyó un modelo de predicción ISSA-GRU para cada subsecuencia descompuesta, y finalmente se acumularon los valores predichos para cada subsecuencia para obtener el valor de predicción final. Este modelo se utilizó para la predicción efectiva de la potencia eólica, y los resultados experimentales mostraron que el modelo combinado VMD-ISSA-GRU tiene un error absoluto medio, un error porcentual medio y un error cuadrático medio de 1.211.8 MW, 1,890.0 y 1,591.6 MW respectivamente. En comparación con las redes neuronales recurrentes tradicionales GRU, la memoria a corto plazo larga (LSTM), la red neuronal bidireccional de memoria a corto plazo larga (BiLSTM) y otros modelos combinados en términos de precisión de predicción, presenta una mejora significativa y resuelve bien el problema de la baja precisión en la predicción de la potencia eólica

Predicción de la potencia eólica;Descomposición modal variacional;Algoritmo de búsqueda mejorado de gorriones;Red neuronal recurrente de puertas;Hiperparámetros