关键词:
短期风电功率预测
互补集合经验模态分解
卷积神经网络
门控循环单元
摘要:
传统风电功率预测中预测模型难以充分提取风电场历史数据中的时空特性和隐藏特征,预测精度较低。针对此问题,提出一种基于CEEMD-CNN-GRU的风电功率预测模型。首先对不同的风电场景使用互补集合经验模态分解(CEEMD)对功率序列进行分解,降低风电功率序列的波动性;然后采用卷积神经网络(CNN)提取空间特征,采用门控循环单元(GRU)提取时间特征;最后完成风电功率预测,并将各个分解序列预测结果叠加得到最终预测结果。结果表明,设计的模型精度高,相比于CNN、GRU、CNN-GRU模型,均方根误差分别降低80.17%、77.07%和71.07%,风机分组且场景划分后相比于未进行风机分组和未进行场景划分,均方根误差分别降低78.63%和66.61%。