基于自适应VMD-LSTM的超短期风电功率预测.pdfVIP

ＤＯＩ：１０．１３８７８／ｊ．ｃｎｋｉ．ｊｎｕｉｓｔ．２０２４０４０４００２

王迪傅晓锦杜诗琪１１１

基于自适应ＶＭＤ⁃ＬＳＴＭ的超短期风电功率预测

摘要０引言

针对风电功率波动性较强和预测精

度较低的问题，提出一种改进蜣螂优化随着传统化石能源以不可逆转的趋势逐渐枯竭，可再生能源将

算法（Ｌｏｇｉｓｔｉｃ⁃Ｔ⁃ＤｕｎｇＢｅｅｔｌｅＯｐｔｉｍｉｚｅｒ，成为未来电力系统的重要组成部分．近些年，我国风电发展迅速，风电

ＬＴＤＢＯ）优化变分模态分解（Ｖａｒｉａｔｉｏｎａｌ

［１］

ＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ，ＶＭＤ）参数和装机容量在电网中的比重不断提高．风力发电被称为具有巨大发展

ＬＴＤＢＯ算法优化长短期记忆网络（Ｌｏｎｇ［２］

潜力的清洁能源．然而，风能的高度随机性和间歇性对电力系统的

Ｓｈｏｒｔ⁃ＴｅｒｍＭｅｍｏｒｙ，ＬＳＴＭ）超参数的混合［３］

稳定性带来很大的挑战．因此，为了提高风电机组的控制效率，缓解

短期风电功率预测模型．首先以平均包

［４］

络谱峭度作为适应度函数，利用ＬＴＤＢＯ电网调峰压力，亟需建立高精度的风力发电输出功率预测模型．

算法对ＶＭＤ分解层数和惩罚因子进行目前，风功率预测模型主要分为３种：物理方法、统计方法、深度

寻优，然后使用ＶＭＤ对数据清洗后的风［５］

学习方法．物理方法以易于理解和适用范围广等特点具有较好的适

电序列进行分解，得到不同频率的平稳

的固有模态分量（ＩｎｔｒｉｎｓｉｃＭｏｄｅ应性，但该方法需要用到复杂的数学公式和模型假设，对于波动大的

Ｆｕｎｃｔｉｏｎ，ＩＭＦ），并将各ＩＭＦ输入由数据预测精度较低．统计方法是根据历史风速和功率数据建立统计模

ＬＴＤＢＯ进行超参数寻优的ＬＳＴＭ进行预［６］［７］

型，例如，利用稀疏矢量自回归概率模型、自回归整合移动平均

测，最后将各ＩＭＦ预测值进行叠加重构，

［８］

得到最终结果．实验结果表明：ＬＴＤＢＯ算模型等进行预测，但其预测误差会随着预测时间的增长而增加，仅

法可以找到ＶＭＤ和ＬＳＴＭ的最优超参适用于小规模数据集的预测．近年来，深度学习凭借其强大的表征能

数组合，ＬＴＤＢＯ⁃ＶＭＤ⁃ＬＴＤＢＯ⁃ＬＳＴＭ组合力和灵活的网络结构在功率预测领域取得了显著的成就．常用的深度

模型在风电功率预测领域具有较好的预

［９］［１０］

测精度和鲁棒性．学习网络有卷积神经网络（ＣＮＮ）、循环神经网络（ＲＮＮ）等．将未

关键词经处理的风电序列直接进行神经网络预测的精度往往不是很高，学

风电功率；蜣螂优化算法；变分模态者们便利用信号分解算法对风电序列进行处理，将其中的噪声去除，

分解；长短期记忆网络；数据清洗

并将信号分解为不同频率的ＩＭＦ（ＩｎｔｒｉｎｓｉｃＭｏｄｅＦｕｎｃｔｉｏｎ）作为神经网

中图分类号ＴＭ６１４；ＴＰ１８３络的输入．文献［１１］采用小波分解（ＷａｖｅｌｅｔＤｅｃｏｍｐｏｓｉｔｉｏｎ，ＷＤ）将