基于组合模态分解和深度学习的短期风电功率区间预测.pdfVIP

第 47 卷 第 17 期 2023 年 9 月 10 日 Vol . 47 No . 17 Sept . 10 ,2023 DOI ： 10. 7500/AEPS20220807002 基于组合模态分解和深度学习的短期风电功率区间预测 肖 白，张 博，王辛玮，高宁远 （东北电力大学电气工程学院，吉林省吉林市 132012 ） 摘要 ：风电功率预测对含风电的电力系统经济调度十分重要。针对点预测难以描述风电功率不确 定性的问题，提出一种基于组合模态分解和深度学习的短期风电功率区间预测方法。首先，利用改 进自适应噪声完备集合经验模态分解将原始风电功率序列分解为多个模态分量，并使用变分模态 分解对其中的高频强非平稳分量再次分解。在此基础上，使用样本熵计算各分量复杂度并将其重 构为趋势分量、振荡分量和随机分量。然后，将3 个分量分别输入经贝叶斯优化的双向长短期记忆 神经网络建立各自的预测模型，得到3 个分量的点预测值，并用混合核密度估计方法对振荡分量和 随机分量预测结果的误差分布进行估计，再结合点预测值得到总体的区间预测结果。最后，通过实 际算例分析表明，与其他模型相比该方法具有更高的预测精度。 关键词 ：风电功率预测；长短期记忆；深度学习；区间预测；经验模态分解；核密度估计 0 引言 子的误差分布函数进行了估计，并提出一种Monte- Carlo 随机抽样方法得到区间预测结果，但需要有气 随着各国对环保的重视以及能源结构体系的改 象数据支持。文献［13 ］将噪声成分进行模糊信息化 变，风电并网的规模快速扩大。然而，风电的波动性 处理，建立了基于极限学习机的风速区间预测模型， 和随机性给风电并网带来了严峻挑战。因此，风电 但其时序记忆能力不佳。随着深度学习的广泛应 功率的准确预测，对合理安排系统备用、保证电网稳 ［1-3 ］ 用，其对数据的时序记忆能力和特征挖掘的优势展 定运行和提高经济效益具有重要意义 。 现了出来。文献［14 ］提出一种基于多位置数值天气 目前，已有众多学者对风电功率预测展开了深 预报和门控循环单元的风电功率超短期预测模型， 入研究，并且在点预测方面取得了显著成果。随着 ［4-7 ］ 取得了较好的预测效果。文献［15-17 ］采用长短期 人工智能的兴起，神经网络和深度学习等 人工智 记忆神经网络进行预测，也取得了不错的效果。文 能方法在挖掘数据特征和数据处理方面展现出了良 献［18-19 ］采用VMD 将风电功率时间序列进行分 好的能力。然而，点预测难以表征风电功率的不确 解，再对各子序列进行预测，最后对各子序列预测结 定性，区间预测则是量化风电不确定性引起预测结 ［8 ］ 果进行重构。文献［20 ］采用经验模态分解将光伏 果偏差的有力工具 ，在给出点预测结果的同时描 功率时间序列进行分解，然后输入支持向量机进行 绘出风电功率波动的区间，更有利于合理安排备用 预测。这些通过分解后再预测的方法，虽然预测精 容量、火电机组开机计划等。