关键词:
超短期风功率
权重优化
组合模型
异常值处理
数据重构
摘要:
由于风电场中风功率受风速影响具有可变性和持续波动的特点,导致风功率预测相对困难。因此,我们提出了一种基于加权优化组合模型的超短期风功率预测方法。精确的风功率预测对于保持电力系统的稳定性至关重要,首先,利用局部离群因子(Local Outlier Factor,LOF)算法和四分位法(Interquartile Range,IQR)组成LOF-IQR组合算法用于异常值检测,并使用最近邻插值法(K-Nearest Neighbors Interpolation, K-NNI)替换原始数据中的异常值点;其次,为了挖掘数据深层信息,对原始运行数据采用经验模态分解(Time-Varying Filter Ensemble Empirical Mode Decomposition,TVFEMD)和统计学计算以构建重构数据,并使用随机森林算法(Random Forest,RF)对重构数据进行特征降维;最后,将极限学习机(Extreme Learning Machine,ELM)、深度神经网络(Deep Neural Network,DNN)、长短期记忆网络(Long Short-Term Memory,LSTM)和回声状态网络(Echo State Network,ESN)进行组合,并利用改进的大猩猩部队优化算法(Modified Gorilla Troops Optimizatio,MGTO)优化4个模型的权重,以此构建超短期风功率预测模型。经验证该模型对比单一模型预测误差平均减少5%,能够对超短期风功率实现精准预测。