基于模态分解与组合神经网络的超短期风电功率预测

高正中; 况逸; 张经龙

doi:10.19666/j.rlfd.202412272

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于模态分解与组合神经网络的超短期风电功率预测

热能科学研究 | 更新时间：2025-11-04

- 基于模态分解与组合神经网络的超短期风电功率预测
- Ultra-short-term wind power prediction based on modal decomposition and combined neural network
- 热力发电 2025年第10期页码：82-92
- 作者机构：
- 作者简介：
- 基金信息：
  
  国家自然科学基金项目（62273215）~~
- DOI：10.19666/j.rlfd.202412272
  中图分类号：
- 纸质出版：2025
- 稿件说明：
移动端阅览
高正中, 况逸, 张经龙. 基于模态分解与组合神经网络的超短期风电功率预测[J]. 热力发电, 2025,(10):82-92.

Ultra-short-term wind power prediction based on modal decomposition and combined neural network[J]. Thermal power generation, 2025, (10): 82-92.
高正中, 况逸, 张经龙. 基于模态分解与组合神经网络的超短期风电功率预测[J]. 热力发电, 2025,(10):82-92. DOI： 10.19666/j.rlfd.202412272.

Ultra-short-term wind power prediction based on modal decomposition and combined neural network[J]. Thermal power generation, 2025, (10): 82-92. DOI： 10.19666/j.rlfd.202412272.

摘要

针对风电功率数据存在的显著波动性和随机性导致风电功率预测中单一模型预测精确度欠佳的问题，提出了一种基于模态分解和组合神经网络模型的超短期风电功率预测方法。首先，基于改进完全集成经验模态分解和样本熵对风电数据进行处理，由不平稳序列分解为较为平稳子序列，同步重构出高频振荡分量和低频平稳分量。然后，构建基于自适应稀疏自注意力机制的风电混合预测模型，对于复杂度较高的高频振荡分量，采用自适应稀疏Transformer模型充分发掘关键波动特征；对于低频平稳分量，采用双向门控循环单元模型充分提取序列特征。最后，将各分量预测结果叠加得到最终预测结果。基于山东某风电场的实际数据进行测试，结果表明：相较于其他常用模型，所提模型均方根误差和平均绝对误差分别减小2.644 MW和2.420 MW，同时决定系数提高18.2%，具有良好的预测性能。

Abstract

关键词

Keywords

references

浏览量

987

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于集合经验模态分解样本熵和LIBSVM的离心风机故障诊断方法

基于样本熵的燃气-蒸汽联合循环机组稳态判定