基于CEEMD-GA-BiGRU-Attention的风电超短期功率预测研究

王梓涛; 刘莘轶; 王洋; 刘单珂; 于立军

doi:10.19912/j.0254-0096.tynxb.2025-0761

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于CEEMD-GA-BiGRU-Attention的风电超短期功率预测研究

更新时间：2026-10-15

- 基于CEEMD-GA-BiGRU-Attention的风电超短期功率预测研究
- 基于CEEMD-GA-BiGRU-Attention的风电超短期功率预测研究
- 太阳能学报 2026年47卷第9期页码：795-804
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：10.19912/j.0254-0096.tynxb.2025-0761
  中图分类号： TK89
- 网络首发：2026-10-10，
  
  纸质出版：2026
- 稿件说明：
移动端阅览
王梓涛, 刘莘轶, 王洋, 等. 基于CEEMD-GA-BiGRU-Attention的风电超短期功率预测研究[J]. 太阳能学报, 2026,47(9):795-804.

王梓涛, 刘莘轶, 王洋, et al. 基于CEEMD-GA-BiGRU-Attention的风电超短期功率预测研究[J]. 2026, 47(9): 795-804.
王梓涛, 刘莘轶, 王洋, 等. 基于CEEMD-GA-BiGRU-Attention的风电超短期功率预测研究[J]. 太阳能学报, 2026,47(9):795-804. DOI： 10.19912/j.0254-0096.tynxb.2025-0761.

王梓涛, 刘莘轶, 王洋, et al. 基于CEEMD-GA-BiGRU-Attention的风电超短期功率预测研究[J]. 2026, 47(9): 795-804. DOI： 10.19912/j.0254-0096.tynxb.2025-0761.

摘要

为提升超短期风电功率预测准确度、探索不同特征对功率预测模型的贡献

该文提出一种基于CEEMD-GA-BiGRU-Attention的风电超短期预测模型

并采用SHAP值分析方法分析各特征贡献。首先采用完全集成经验模态分解（CEEMD）方法分解功率数据

其次利用遗传算法（GA）优化带注意力机制的双向门控循环单元（BiGRU-attention）

对各模态分量动态建模

构建组合预测模型。将该模型与多种不同功率预测模型进行比较

结果表明其在RMSE、MAE、R2评价指标上具有优势

相较于BiGRU模型

R2提升10.08%

RMSE和MAE分别降低40.15%和42.38%。最后

采用SHAP值分析方法研究发现

对模型贡献较大的特征为历史实际功率和天气预报风速

前者在超短期预测初期占据主导地位

但重要性随时间步推进逐渐下降

后者的重要性则在预测中后期呈稳定上升趋势。

Abstract

To enhance the accuracy of ultra-short-term wind power prediction and investigate the contribution of diverse features to power prediction models

this paper introduces a wind power ultra-short-term prediction model grounded in CEEMD-GA-BiGRU-Attention. The model employs the SHAP value analysis method to assess the contribution of various features. Initially

the power data is decomposed using the Complete Ensemble Empirical Mode Decomposition （CEEMD） method. Subsequently

the Bidirectional Gated Recurrent Unit （BiGRU） model integrated with an attention mechanism is optimized using the Genetic Algorithm （GA） to dynamically model different modal components

thereby constructing a combined prediction model. When compared to various other power prediction models

this proposed model demonstrates superiority in terms of RMSE

MAE

and R evaluation metrics

with a notable 10.08% improvement in R compared to the BiGRU model

and a reduction of 40.15% and 42.38% in RMSE and MAE

respectively. Finally

through the application of the SHAP value analysis method

it is revealed that historical actual power and weather forecast wind speed are the features that significantly contribute to the model. Historical actual power dominates in the initial stages of ultra-short-term prediction

but its importance gradually diminishes over time

whereas the importance of weather forecast wind speed exhibits a stable upward trend in the middle to later stages.

关键词

Keywords

references

唐杰, 李彬. 基于EMD-PSO-BiLSTM组合模型的短期风电功率预测[J]. 自动化应用, 2024, 65(5): 126-129.

耿运涛. 基于EMD-PCA-LSTM的短期风电功率预测研究[J]. 船电技术, 2024, 44(11): 20-23.

鄢伟安, 付晟, 刘卫东, 等. 基于STL-EMD-SSA-LSTM模型的光伏中期输出功率预测研究[J]. 工业工程与管理, 2024, 29(6): 93-103.

王潇添, 李泽林, 詹莹, 等. 基于KOA驱动的VMD-CNN-BiGRU-Attention光伏功率组合预测模型研究[J]. 太阳能学报, 2026, 47(6): 676-688.

潘鹏程, 张帅, 刘晖, 等. 基于CAWR-LSTM-TRF模型的超短期风电功率预测[J]. 太阳能学报, 2026, 47(3): 452-461.

顾婷婷, 黄亦露, 王亚男, 等. 基于多头注意力机制的ResNet-UNet短期风电功率预测[J]. 太阳能学报, 2026, 47(3): 474-480.

朱童, 王彦沣, 叶希, 等. 考虑多风电机组关联特性的超短期功率预测方法[J]. 四川电力技术, 2025, 48(1): 23-31, 71.

张开伟, 文中, 杨生鹏, 等. 考虑风电机组健康状况与双重注意力机制CNN-BiLSTM的超短期功率预测[J]. 可再生能源, 2025, 43(2): 217-224.

Wang S X, Shi J R, Yang W, et al.High and low frequency wind power prediction based on Transformer and BiGRU-Attention[J]. Energy, 2024, 288: 129753.

Zhang X, Ye J, Gao L T, et al.Short-term wind power prediction based on ICEEMDAN decomposition and BiTCN-BiGRU-multi-head self-attention model[J]. Electrical Engineering, 2025, 107(3): 2645-2662.

Zhang Y J, Zhang L, Sun D, et al.Short-term wind power forecasting based on VMD and a hybrid SSA-TCN-BiGRU network[J]. Applied Sciences, 2023, 13(17): 9888.

Chen W, Huang H Q, Ma X K, et al.The short-term wind power prediction based on a multi-layer stacked model of BOCNN-BiGRU-SA[J]. Digital Signal Processing, 2025, 156: 104838.

Chi D W, Yang C Z.Wind power prediction based on WT-BiGRU-attention-TCN model[J]. Frontiers in Energy Research, 2023, 11: 1156007.

Meng Y Y, Chang C, Huo J Y, et al.Research on ultra-short-term prediction model of wind power based on attention mechanism and CNN-BiGRU combined[J]. Frontiers in Energy Research, 2022, 10: 920835.

Lundberg S M, Lee S I.A unified approach to interpreting model predictions[C]//Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook, NY, USA, 2017: 4768-4777.

NB/T 31046—2022 风电功率预测系统功能规范[S].

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于特征变权的超短期风电功率预测

基于聚合模态分解和TCN-BiGRU的光伏功率预测模型

基于时空双流网络与多重注意力的光伏功率预测

优化变分模态分解下NRBO-LSTM-Attention修正预测风速的风电功率短期预测

复杂风向角下不同倾角光伏阵列风载荷的CFD研究