基于VMD-LSTM的超短期风向多步预测

作者：李秀昊^*; 刘怀西; 张智勇; 张敏; 吴迪; 苗得胜

来源：南方能源建设, 2023, 10(01): 29-38.

DOI：10.16516/j.gedi.issn2095-8676.2023.01.004

• 风向
• 多步预测
• 变分模态分解
• 样本熵
• 长短期记忆

[目的]为准确预测未来4 h风向，提出一种基于VMD-LSTM(Variational Mode Decomposition-Long Short-Term Memory)的超短期风向多步预测方法。[方法]采集明阳智能某风电场3个风电机组的风向序列，对其进行预处理及时序分析；基于自相关函数（Autocorrelation Function, ACF）计算风向不同时期的相关性，以选取风向序列的特征长度；采用变分模态分解（Variational Mode Decomposition, VMD）将风向序列分解为相对稳定的模态信号，通过最小样本熵确定分解的子模态数，并对分解后的模态信号分别建立预测模型，进行超短期风向24步预测；重构风向序列，叠加各分量预测结果。[结果]结果表明，VMD-LSTM在4个季度的24步风向预测的绝对平均误差（Mean Absolute Error, MAE）、均方根误差（Root Mean Square Error, RMSE）、平均绝对百分比误差（Mean Absolute Percentage Error,MAPE）分别为8.430°、16.870°、9.155，且在每个季度不同时间尺度的各个误差评价指标均优于其他常见的数据建模方法。[结论]所提算法可满足风电场的实际生产中优化控制偏航角的要求。

• 单位
  明阳智慧能源集团股份公司