基于数据平稳化和BiLSTM的短期风电功率预测方法

作者：唐贤伦^*; 张家瑞; 郭祥麟; 邹密

来源：重庆邮电大学学报(自然科学版), 2023, 35(06): 1135-1144.

• 短期风电功率预测
• 自适应噪声完备集合经验模态分解
• 双向长短期记忆网络
• 偏自相关函数

针对风电功率数据序列波动大、随机性强、非线性以及选取输入变量困难的问题，提出一种结合自适应噪声完备集合经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）和双向长短期记忆网络（bidirectional long short term memory,BiLSTM）的短期风电功率预测组合模型。通过CEEMDAN对原始功率数据序列进行分解及平稳化处理，并根据各分量样本熵值进行合并重构；利用偏自相关函数（partial autocorrelation function,PACF）计算各重构分量的滞后期数，以此确定各重构分量在BiLSTM网络模型中的最佳输入变量；根据各重构分量的预测值相加得到最终预测结果。实验结果表明，与几种传统的单一预测模型和组合预测模型相比，提出的模型具有更优的预测结果和更高的预测精度。

• 单位
  自动化学院; 重庆邮电大学