关键词:
风电集群功率预测
t-分布随机邻域嵌入
雪消融优化算法
变分模态分解
长短期记忆神经网络
摘要:
为研究风电集群功率在风速波动性、不确定性下的特征,提高风电集群的功率预测精度,提出了一种基于雪消融算法优化变分模态分解的信号提取和长短期记忆(LSTM)神经网络的功率预测方法。首先,采用t-分布随机邻域嵌入方法完成风速时间序列数据的降维,并通过模糊聚类完成风电集群区域划分;然后,选取各区域中的代表风机,利用雪消融优化(SAO)算法优化变分模态分解(VMD)中的两个参数,达到最优分解的目的;最后,将分解得到的信号输入到LSTM神经网络预测模型中,以完成区域代表风机的功率预测,进而求得风电集群的功率预测。结果表明,与VMD和粒子群优化的VMD相比,基于SAO算法优化VMD的功率预测模型的预测结果更好,验证了模型的有效性。该模型提升了预测精度,但仍存在选取风机特征信息数量不足的问题。