基于改进SVR-SSA-BiLSTM误差修正的短期风电功率混合预测模型研究

王莘然; 胡皓; 吴子辰; 顾彬; 葛伟

doi:doi:10.19912/j.0254-0096.tynxb.2024-1039

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 >

基于改进SVR-SSA-BiLSTM误差修正的短期风电功率混合预测模型研究

更新时间：2025-12-17

- 基于改进SVR-SSA-BiLSTM误差修正的短期风电功率混合预测模型研究
- 基于改进SVR-SSA-BiLSTM误差修正的短期风电功率混合预测模型研究
- 太阳能学报 2025年第10期页码：689-695
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-1039
  中图分类号： P311
- 网络出版：2025-10-31，
  
  纸质出版：2025-10-31
- 稿件说明：
移动端阅览
王莘然, 胡皓, 吴子辰, 等. 基于改进SVR-SSA-BiLSTM误差修正的短期风电功率混合预测模型研究[J]. 太阳能学报, 2025,(10):689-695.

王莘然, 胡皓, 吴子辰, et al. 基于改进SVR-SSA-BiLSTM误差修正的短期风电功率混合预测模型研究[J]. 2025, (10): 689-695.
王莘然, 胡皓, 吴子辰, 等. 基于改进SVR-SSA-BiLSTM误差修正的短期风电功率混合预测模型研究[J]. 太阳能学报, 2025,(10):689-695. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1039.

王莘然, 胡皓, 吴子辰, et al. 基于改进SVR-SSA-BiLSTM误差修正的短期风电功率混合预测模型研究[J]. 2025, (10): 689-695. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1039.

摘要

针对现有预测模型在应对风电功率波动剧烈情况下预测精度和误差处理方面存在的不足

提出一种基于误差修正的混合风电功率预测方法

结合基于时变滤波器的经验模态分解TVFEMD、支持向量回归SVR和双向长短时记忆神经网络BiLSTM。首先

通过应用TVFEMD将原始风电功率数据分解为本征模态函数IMFs

达到消除其复杂性和不确定性的目的;然后

采用改进的网格搜索算法和交叉验证算法（GridSearchCV）对支持向量回归模型进行优化

并使用该模型对分解后的IMFs进行预测;其次

利用一种改进的麻雀搜素算法（SSA）优化BiLSTM网络构建误差修正模型

对支持向量回归的预测误差进行预测

并将预测结果与支持向量回归的预测结果叠加

从而得到更准确的最终预测结果。这种方法不仅提高风电功率预测的准确性

也为风电功率发电等领域提供更可靠的依据。通过与其他优化方法下构建的预测模型结果进行对比

证明所构建模型的预测精度和稳定性得到明显提升。

Abstract

In response to the lack of predictive accuracy and error processing of the existing predictive model when dealing with the severe fluctuations of wind power

this work proposes a mixed wind power prediction method based on error -based modification

combining the experience modus of the time -based filter to decompose TVFEMD

TVFEMD

and Support vector return to SVR and two -way long -term memory neural network BiLSTM. First of all

the original wind power data is decomposed into this modulus function IMFS by applying TVFEMD to achieve the purpose of eliminating its complexity and uncertainty. Then

the improved grid search algorithm and cross -verification algorithm （GridsearchCV） optimize the support vector regression model

and use the model to predict the decomposed IMFS. Secondly

use a improved sparrow search algorithm （SSA） to optimize the BiLSTM network construction error correction model

predict the prediction error of support vector regression

and superimpose the prediction results with those of support vector regression to obtain a more accurate final prediction result. This method not only improves the accuracy of wind power prediction

but also provides a more reliable basis for the fields of wind power power generation. Compared with the results of the prediction model constructed under other optimization methods

this model has higher predition accuracy and stability.

关键词

Keywords

references

孙英聪, 陈来军, 李笑竹, 等. 考虑资源相关性的新能源场站群集中式共享储能优化配置[J]. 太阳能学报, 2024, 45(7): 2-9.

FARAH S, DAVID A W, HUMAIRA N, et al.Short-term multi-hour ahead country-wide wind power prediction for Germany using gated recurrent unit deep learning[J]. Renewable and sustainable energy reviews, 2022, 167: 112700.

刘兴, 王艳, 纪志成. 基于SA-GAELM的短期风电功率组合预测[J]. 扬州大学学报(自然科学版), 2021, 24(4): 58-63.

PAN X X, WANG L, WANG Z J, et al.Short-term wind speed forecasting based on spatial-temporal graph transformer networks[J]. Energy, 2022, 253: 124095.

张帅可, 罗萍萍. 基于混合分布模型的风电功率超短期预测误差分析[J]. 电力科学与技术学报, 2020, 35(5): 111-118.

XIONG B R, LOU L, MENG X Y, et al.Short-term wind power forecasting based on Attention mechanism and deep learning[J]. Electric power systems research, 2022, 206: 107776.

LI H J.Short-term wind power prediction via spatial temporal analysis and deep residual networks[J]. Frontiers in energy research, 2022, 10: 920407.

肖烈禧, 张玉, 周辉, 等. 基于IAOA-VMD-LSTM的超短期风电功率预测[J]. 太阳能学报, 2023, 44(11): 239-246.

程先龙, 保佑智, 何度江, 等. 基于EMD-ELM-LSTM的短期风电功率预测[J]. 昆明理工大学学报(自然科学版), 2023, 48(6): 78-87.

齐先军, 郑夕炜, 王晓蓉, 等. 基于时频分析的改进小波包风电功率波动平抑方法[J]. 太阳能学报, 2022, 43(7): 302-309.

ZHOU X L, LIN W Y, KUMAR R, et al.A data-driven strategy using long short term memory models and reinforcement learning to predict building electricity consumption[J]. Applied energy, 2022, 306: 118078.

程凯, 彭小圣, 徐其友, 等. 基于特征选择与多层级深度迁移学习的风电场短期功率预测[J]. 高电压技术, 2022, 48(2): 497-503.

孙骁强, 马晓伟, 张小奇, 等. 基于相依关系的新能源功率预测场景生成及调度应用[J]. 电力系统自动化, 2019, 43(15): 10-17, 41.

潘霄, 张明理, 刘德宝, 等. 基于鲁棒多标签生成对抗的风电场日前出力区间预测[J]. 电力系统自动化, 2022, 46(10): 216-223.

DUAN J D, WANG P, MA W T, et al.A novel hybrid model based on nonlinear weighted combination for short-term wind power forecasting[J]. International journal of electrical power & energy systems, 2022, 134: 107452.

孙荣富, 张涛, 和青, 等. 风电功率预测关键技术及应用综述[J]. 高电压技术, 2021, 47(4): 1129-1143.

叶林, 赵金龙, 路朋, 等. 考虑气象特征与波动过程关联的短期风电功率组合预测[J]. 电力系统自动化, 2021, 45(4): 54-62.

曹正江, 付文龙, 文斌, 等. 基于TVFEMD和多模型融合的变压器油中溶解气体体积分数预测方法[J]. 高压电器, 2024, 60(8): 156-166.

张婉莹, 何耀耀, 杨善林. 基于TVFEMD-SE和YJQRG的短期风电功率多步概率密度预测[J]. 系统工程理论与实践, 2022, 42(8): 2225-2242.

XIAN H F, CHE J X.Unified whale optimization algorithm based multi-kernel SVR ensemble learning for wind speed forecasting[J]. Applied soft computing, 2022, 130: 109690.

PIRI J, ABDOLAHIPOUR M, KESHTEGAR B.Advanced machine learning model for prediction of drought indices using hybrid SVR-RSM[J]. Water resources management, 2023, 37(2): 683-712.

SUROOR N, JAISWAL A, SACHDEVA N.Stack ensemble oriented parkinson disease prediction using machine learning approaches utilizing GridSearchCV-based hyper parameter tuning[J]. Critical reviews in biomedical engineering, 2022, 50(5): 39-58.

WOŹNIAK M, WIECZOREK M, SIŁKA J. BiLSTM deep neural network model for imbalanced medical data of IoT systems[J]. Future generation computer systems, 2023, 141: 489-499.

XIONG J L, PENG T, TAO Z H, et al.A dual-scale deep learning model based on ELM-BiLSTM and improved reptile search algorithm for wind power prediction[J]. Energy, 2023, 266: 126419.

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

基于多尺度分解和多模型融合的锂电池剩余使用寿命预测

双模式分解CNN-LSTM集成的短期风速预测模型

基于循环DBSMOTE和多头注意力机制的风力发电机故障预警体系

YOLO-DSBF：一种新的太阳电池缺陷识别方法

基于相似日聚类和WOA-VMD-TCN-Transformer模型的短期光伏功率研究