基于VMD-TCN-GRU-AM的超短期风电预测

范竞敏; 贺广林; 王新刚; 张奎; 李佩怡; 何梓秋

doi:doi:10.19912/j.0254-0096.tynxb.2024-0291

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VMD-TCN-GRU-AM的超短期风电预测

更新时间：2025-12-02

- 基于VMD-TCN-GRU-AM的超短期风电预测
- 基于VMD-TCN-GRU-AM的超短期风电预测
- 太阳能学报 2025年46卷第6期页码：538-547
- 作者机构：
- 作者简介：
- 基金信息：
  
  国家自然科学基金（62073084）;广东省自然科学基金（2023A1515012824）;广东省普通高校重点领域专项（2022ZDZX3013）;福建省自然科学基金（2022J01527）
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-0291
  中图分类号： TM614
- 网络出版：2025-07-07，
  
  纸质出版：2025
- 稿件说明：
移动端阅览
范竞敏, 贺广林, 王新刚, 等. 基于VMD-TCN-GRU-AM的超短期风电预测[J]. 太阳能学报, 2025,46(6):538-547.

范竞敏, 贺广林, 王新刚, et al. 基于VMD-TCN-GRU-AM的超短期风电预测[J]. 2025, 46(6): 538-547.
范竞敏, 贺广林, 王新刚, 等. 基于VMD-TCN-GRU-AM的超短期风电预测[J]. 太阳能学报, 2025,46(6):538-547. DOI： doi:10.19912/j.0254-0096.tynxb.2024-0291.

范竞敏, 贺广林, 王新刚, et al. 基于VMD-TCN-GRU-AM的超短期风电预测[J]. 2025, 46(6): 538-547. DOI： doi:10.19912/j.0254-0096.tynxb.2024-0291.

摘要

为提升风电功率预测精度并解决单一神经网络模型在预测波动性和间歇性风电数据时的滞后性问题

提出一种融合变分模态分解（VMD）、时间卷积网络（TCN）、门控循环单元（GRU）和注意力机制（AM）的组合预测模型。模型利用VMD将原始风电数据分解为具有不同中心频率的本征模态函数（IMF）

以降低数据的随机性和波动性。然后通过TCN-GRU-AM模型对这些IMF子序列进行独立预测

TCN和GRU的组合能更好地捕捉各子序列的复杂特征和时间依赖性

AM则可增强模型对时间序列中关键时间步的识别能力。最终通过叠加预测分量重构出风电功率预测结果。实验验证显示

该模型能显著提高预测精度且有效缓解了滞后现象。

Abstract

To enhance the accuracy of wind power forecasting and solve the lag in single neural network models when predicting fluctuating and intermittent wind power data

this paper proposes a hybrid forecasting model integrating Variational Mode Decomposition （VMD）

Temporal Convolutional Networks （TCN）

Gated Recurrent Units （GRU）

and Attention Mechanism （AM）. The model employs VMD to decompose raw wind power data into Intrinsic Mode Functions （IMFs） with different central frequencies

decreasing the data's stochasticity and volatility. Subsequently

the TCN-GRU-AM model independently predicts these IMF subsequence. The combination of TCN and GRU effectively captures the complex features and temporal dependencies within each subsequence

while AM boosts the model's capacity to recognize crucial time steps in time series data. Ultimately

the predicted components are superimposed and reconstructed to yield the final wind power prediction outcome. Experimental results demonstrate that this model significantly enhances forecasting precision and effectively mitigates the lag phenomenon.

关键词

Keywords

references

赵冬梅, 徐辰宇, 陶然, 等. 多元分布式储能在新型电力系统配电侧的灵活调控研究综述[J]. 中国电机工程学报, 2023, 43(5): 1776-1798.

TEFERRA D M, NGOO L M H, NYAKOE G N. Fuzzy-based prediction of solar PV and wind power generation for microgrid modeling using particle swarm optimization[J]. Heliyon, 2023, 9(1): e12802.

韩自奋, 景乾明, 张彦凯, 等. 风电预测方法与新趋势综述[J]. 电力系统保护与控制, 2019, 47(24): 178-187.

李远征, 倪质先, 段钧韬, 等. 面向高比例新能源电网的重大耗能企业需求响应调度[J]. 自动化学报, 2023, 49(4): 754-768.

LIU C Y, ZHANG X M, MEI S W, et al.Series-wise attention network for wind power forecasting considering temporal lag of numerical weather prediction[J]. Applied energy, 2023, 336: 120815.

刘帅, 朱永利, 张科, 等. 基于误差修正ARMA-GARCH模型的短期风电功率预测[J]. 太阳能学报, 2020, 41(10): 268-275.

曹俊波, 周任军, 邓学华, 等. 考虑优化ARIMA模型差分次数的风功率预测[J]. 电力系统及其自动化学报, 2019, 31(1): 105-111.

王丽婕, 刘田梦, 王勃, 等. 基于奇异值分解与卡尔曼滤波修正多位置NWP的短期风电功率预测[J]. 太阳能学报, 2022, 43(12): 392-398.

普智勇, 夏攀, 张璐, 等. 机器学习与统计方法在太阳能预报中的比较性分析[J]. 太阳能学报, 2023, 44(7): 162-167.

SHARIFZADEH M, SIKINIOTI-LOCK A, SHAH N.Machine-learning methods for integrated renewable power generation: a comparative study of artificial neural networks, support vector regression, and Gaussian process regression[J]. Renewable and sustainable energy reviews, 2019, 108: 513-538.

CHANDEL S S, GUPTA A, CHANDEL R, et al.Review of deep learning techniques for power generation prediction of industrial solar photovoltaic plants[J]. Solar compass, 2023, 8: 100061.

武煜昊, 王永生, 徐昊, 等. 风电输出功率预测技术研究综述[J]. 计算机科学与探索, 2022, 16(12): 2653-2677.

GUO H T, PAN L, WANG J, et al.Short-term wind power prediction method based on TCN-GRU combined model[C]//2021 IEEE Sustainable Power and Energy Conference (iSPEC). Nanjing, China, 2021: 3764-3769.

DONG Y C, ZHANG H L, WANG C, et al.Wind power forecasting based on stacking ensemble model, decomposition and intelligent optimization algorithm[J]. Neurocomputing, 2021, 462: 169-184.

张家军, 陈杰, 常喜强, 等. 基于EMD与模型预测控制算法的风电功率平抑[J]. 四川电力技术, 2021, 44(2): 38-42.

程启明, 陈路, 程尹曼, 等. 基于EEMD和LS-SVM模型的风电功率短期预测方法[J]. 电力自动化设备, 2018, 38(5): 27-35.

CHEN H P, WU H, KAN T Y, et al.Low-carbon economic dispatch of integrated energy system containing electric hydrogen production based on VMD-GRU short-term wind power prediction[J]. International journal of electrical power & energy systems, 2023, 154: 109420.

NAZARI M, SAKHAEI S M.Successive variational mode decomposition[J]. Signal processing, 2020, 174: 107610.

ZHANG G, XU B B, LIU H C, et al.Wind power prediction based on variational mode decomposition and feature selection[J]. Journal of modern power systems and clean energy, 2021, 9(6): 1520-1529.

王维高, 魏云冰, 滕旭东. 基于VMD-SSA-LSSVM的短期风电预测[J]. 太阳能学报, 2023, 44(3): 204-211.

符杨, 任子旭, 魏书荣, 等. 基于改进LSTM-TCN模型的海上风电超短期功率预测[J]. 中国电机工程学报, 2022, 42(12): 4292-4302.

LI C S, TANG G, XUE X M, et al.Short-term wind speed interval prediction based on ensemble GRU model[J]. IEEE transactions on sustainable energy, 2020, 11(3): 1370-1380.

MENG A B, CHEN S, OU Z H, et al.A hybrid deep learning architecture for wind power prediction based on bi-attention mechanism and crisscross optimization[J]. Energy, 2022, 238: 121795.

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

基于改进YOLOv5的光伏组件EL图像缺陷检测方法

基于HCF-YOLO的光伏组件红外图像热斑故障检测

信息融合的NRP-AlexNet-SENet风电齿轮箱故障诊断

基于注意力机制的Bi-LSTM光伏发电超短期功率预测方法研究与实施