Debido a la significativa volatilidad y aleatoriedad en los datos de potencia eólica, lo que conduce a una baja precisión en la predicción con un modelo único, se propone un método de predicción de potencia eólica a muy corto plazo basado en la descomposición modal y un modelo combinado de redes neuronales. Primero, se procesan los datos eólicos mediante una descomposición modal empírica completamente integrada mejorada y la entropía de muestra, descomponiendo la serie no estacionaria en subseries más estacionarias y reconstruyendo simultáneamente componentes de oscilación de alta frecuencia y componentes estables de baja frecuencia. Luego, se construye un modelo de predicción híbrido para la potencia eólica basado en un mecanismo de atención propia adaptativa y dispersa; para los componentes de oscilación de alta frecuencia con mayor complejidad, se utiliza un modelo Transformer adaptativo disperso para extraer plenamente las características clave de las fluctuaciones; para los componentes estables de baja frecuencia, se utiliza un modelo de unidades de memoria de puerta bidireccional para extraer completamente las características de la serie. Finalmente, los resultados de la predicción de cada componente se suman para obtener el resultado final. Basado en datos reales de un parque eólico en Shandong, los resultados muestran que en comparación con otros modelos comunes, el error cuadrático medio y el error absoluto medio del modelo propuesto disminuyen en 2.644 MW y 2.420 MW respectivamente, mientras que el coeficiente de determinación aumenta en un 18.2%, demostrando un buen rendimiento de predicción.

Descomposición modal;predicción de potencia eólica;entropía de muestra;mecanismo de atención propia adaptativa dispersa