基于黑翅鸢算法和VMD的短期风电功率预测

周金涛; 何山; 王维庆; 程静; 房忠; 陈军

doi:doi:10.19912/j.0254-0096.tynxb.2024-1145

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 >

基于黑翅鸢算法和VMD的短期风电功率预测

更新时间：2026-01-08

- 基于黑翅鸢算法和VMD的短期风电功率预测
- 基于黑翅鸢算法和VMD的短期风电功率预测
- 太阳能学报 2025年46卷第12期页码：762-773
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-1145
  中图分类号： TM614
- 网络出版：2026-01-07，
  
  纸质出版：2025
- 稿件说明：
移动端阅览
周金涛, 何山, 王维庆, 等. 基于黑翅鸢算法和VMD的短期风电功率预测[J]. 太阳能学报, 2025,46(12):762-773.

周金涛, 何山, 王维庆, et al. 基于黑翅鸢算法和VMD的短期风电功率预测[J]. 2025, 46(12): 762-773.
周金涛, 何山, 王维庆, 等. 基于黑翅鸢算法和VMD的短期风电功率预测[J]. 太阳能学报, 2025,46(12):762-773. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1145.

周金涛, 何山, 王维庆, et al. 基于黑翅鸢算法和VMD的短期风电功率预测[J]. 2025, 46(12): 762-773. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1145.

摘要

为提高短期风电功率预测精度

提出一种基于黑翅鸢算法（BKA）和变分模态分解（VMD）的短期风电功率预测模型。首先采用BKA确定VMD的参数

并且利用VMD将数据分解为若干个子序列以降低风电时间序列的复杂性和不稳定性。其次将各子序列与关键的气象数据结合构成输入分量

并利用时间卷积网络（TCN）、双向门控循环单元（BiGRU）和注意力机制的组合预测模型对各输入分量分别进行预测。最后采用BKA确定预测模型超参数的最优组合方案

并将各预测结果进行加和重构得到最终风电功率预测结果。采用新疆某风电厂的实际风电功率数据对所提模型进行验证

并与其他5种组合预测模型进行性能对比。实验表明

所提模型预测效果优于其他预测模型

能够有效提升短期风电功率预测的准确性。

Abstract

To improve short-term wind power forecasting accuracy

a predictive model based on the Black Kite Algorithm （BKA） and Variational Mode Decomposition （VMD） was been proposed. Initially

the BKA algorithm was used to determine the VMD parameters

allowing VMD to decompose the data into multiple subsequences

which helps reduce the complexity and volatility of wind power time series. Each subsequence was then combined with essential meteorological data

creating input components for the predictive model

which is a hybrid framework involving a Temporal Convolutional Network （TCN）

Bidirectional Gated Recurrent Units （BiGRU）

and an attention mechanism. This composite model independently forecasts each input component

after which BKA optimizes the model’s hyperparameters to obtain the best combination scheme. The final wind power forecast was produced by summing and reconstructing the individual predictions. This model was validated using real wind power data from a wind farm in Xinjiang

and its performance was compared with five other combined forecasting models. Experimental results indicate that the prediction effect of the proposed model is superior to that of other predicition models

effectively enhancing the accuracy of short-term wind power forecasting.

关键词

Keywords

references

汪鸿, 朱正甲, 陈建华, 等. 基于人工智能技术与物理方法结合的新能源功率预测研究[J]. 高电压技术, 2023, 49(S1): 111-117.

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.

苗长新, 王霞, 李昊, 等. 基于数值天气预报风速误差修正的风电功率日前预测[J]. 电网技术, 2022, 46(9): 3455-3464.

唐新姿, 顾能伟, 黄轩晴, 等. 风电功率短期预测技术研究进展[J]. 机械工程学报, 2022, 58(12): 213-236.

王一妹, 刘辉, 宋鹏, 等. 基于高斯混合模型聚类的风电场短期功率预测方法[J]. 电力系统自动化, 2021, 45(7): 37-43.

刘擘龙, 张宏立, 王聪, 等. 基于序列到序列和注意力机制的超短期风速预测[J]. 太阳能学报, 2021, 42(9): 286-294.

李俊逸, 尧远, 刘明浩. 基于振动信号最优特征提取算法的风力机齿轮箱SVM故障诊断[J]. 太阳能学报, 2024, 45(7): 626-633.

LIU J C, LI Y H.Study on environment-concerned short-term load forecasting model for wind power based on feature extraction and tree regression[J]. Journal of cleaner production, 2020, 264: 121505.

DE FALCO D E, CALABRÒ F, PRAGLIOLA M. Insights on the different convergences in extreme learning machine[J]. Neurocomputing, 2024, 599: 128061.

吉兴全, 曾若梅, 张玉敏, 等. 基于注意力机制的CNN-LSTM短期电价预测[J]. 电力系统保护与控制, 2022, 50(17): 125-132.

DING M, ZHOU H, XIE H, et al.A gated recurrent unit neural networks based wind speed error correction model for short-term wind power forecasting[J]. Neurocomputing, 2019, 365: 54-61.

马志侠, 张林鍹, 巴音塔娜, 等. 基于自适应二次分解与CNN-BiLSTM的超短期风电功率预测[J]. 太阳能学报, 2024, 45(6): 429-435.

刘新宇, 蒲欣雨, 李继方, 等. 基于贝叶斯优化的VMD-GRU短期风电功率预测[J]. 电力系统保护与控制, 2023, 51(21): 158-165.

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): 4292-4303.

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.

刘栋, 魏霞, 王维庆, 等. 基于SSA-ELM的短期风电功率预测[J]. 智慧电力, 2021, 49(6): 53-59, 123.

LIU Y, GUAN L, HOU C, et al.Wind power short-term prediction based on LSTM and discrete wavelet transform[J]. Applied sciences, 2019, 9(6): 1108.

魏震波, 余雷. 基于FFT, DC-HC及LSTM的短期负荷预测方法[J]. 智慧电力, 2022, 50(3): 37-43.

张雲钦, 程起泽, 蒋文杰, 等. 基于EMD-PCA-LSTM的光伏功率预测模型[J]. 太阳能学报, 2021, 42(9): 62-69.

WEN Y, PAN S, LI X X, et al.Highly fluctuating short-term load forecasting based on improved secondary decomposition and optimized VMD[J]. Sustainable energy, grids and networks, 2024, 37: 101270.

史彭珍, 魏霞, 张春梅, 等. 基于VMD-BOA-LSSVM-AdaBoost的短期风电功率预测[J]. 太阳能学报, 2024, 45(1): 226-233.

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.

WANG J, WANG W C, HU X X, et al.Blackwinged kite algorithm: a nature-inspired metaheuristic for solving benchmark functions and engineering problems[J]. Artificial intelligence review, 2024, 57(4): 1-53.

赵洋, 王瀚墨, 康丽, 等. 基于时间卷积网络的短期电力负荷预测[J]. 电工技术学报, 2022, 37(5): 1242-1251.

陈庆明, 廖鸿飞, 孙颖楷, 等. 基于GWO-GRU的光伏发电功率预测[J]. 太阳能学报, 2024, 45(7): 438-444.

AI C Y, HE S, HU H, et al.Chaotic time series wind power interval prediction based on quadratic decomposition and intelligent optimization algorithm[J]. Chaos, solitons & fractals, 2023, 177: 114222.

王延峰, 曹育晗, 孙军伟. 基于多策略改进金豺算法优化LSTM的短期电力负荷预测[J]. 电力系统保护与控制, 2024, 52(14): 95-102.

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VMD-MBWO-KELM的短期风电功率预测

基于风电机组状态的超短期海上风电功率预测

基于CEEMDAN-AsyHyperBand-MultiTCN的短期风电功率预测

基于IDBO优化的BiTCN-BiLSTM-SA光伏组件积灰预测

基于多元气象信息和改进组合神经网络的分布式光伏短期功率预测模型