关键词:
风电功率预测
双向长短期记忆神经网络
完全集成经验模态分解
经验小波变换
深度学习
摘要:
提出了一种基于改进的自适应噪声完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)的组合预测模型,以提高风电功率预测的准确性和鲁棒性。当前风电功率预测面临非平稳信号和高频噪声的问题,影响了预测的准确性。针对这一问题,通过CEEMDAN分解,将复杂的非平稳信号分解为多个固有模态函数分量(intrinsic mode function,IMF),在此基础上创新性地通过平均波动幅度(average fluctuation range,AFR)计算IMF的平均波动幅度进行高低频划分,应用经验小波变换(empirical wavelet transform,EWT)对高频分量进行滤波,显著降低信号中的高频噪声,提高数据准确性。随后,分别对高频和低频分量建立Bi-LSTM模型,选取最优参数进行训练和预测,将各分量的预测结果叠加得到最终的风电功率预测值。模型经过不同季节和数据集的验证,展示了其在风电功率预测中的通用性和鲁棒性。研究证明,结合CEEMDAN分解、AFR划分和EWT滤波,通过有效的噪声抑制和数据分解,能够显著提升风电功率预测的准确性和稳定性,弥补了传统方法在处理非平稳信号和高频噪声方面的不足。