基于改进熵权法和SECEEMD的短期风电功率预测

作者：王永生; 张哲; 刘利民^*; 高静; 刘广文; 武煜昊

来源：科学技术与工程, 2023, 23(27): 11688-11697.

• 风电功率预测
• 信号分解
• 相关性分析
• 贝叶斯优化算法

为实现短期风电功率的高精度预测，综合考虑风电功率数据波动性以及多维气象数据对风电功率预测的影响，提出了一种基于改进熵权法和样本熵-互补集合经验模态分解(sample entropy complementary ensemble empirical mode decomposition, SECEEMD)的短期风电功率组合预测方法。首先，提出了一种综合相关性分析模型，结合多种特征选择方法对多维气象特征实现综合评价，准确筛选与风电功率相关性较高的气象特征，提高预测精度。其次，针对CEEMD存在的分解分量过多，模态混叠程度加剧的问题，提出了SECEEMD分解算法，在降低分量数量，降低模态混叠程度的同时，提高模型的训练速度。然后，分别建立数值气象预报-长短期记忆网络(numerical weather prediction-long short term memory, NWP-LSTM)和SECEEMD-BP(back propogation)预测模型，并通过贝叶斯优化算法优化长短期记忆神经网络和BP神经网络结构；最后，通过改进熵权法寻找到最优权重组合进行加权组合。实验以内蒙古碧柳河风电场的风电功率数据和气象数据为实验数据，经验证，本文所提预测模型，能较大程度提高预测精度，相较于一般预测模型，R2分别提高了4%和0.6%,平均绝对误差(mean absolute error, MAE)分别降低了44%和1.1%,证明本文所提风电功率预测方法具有更高的预测精度和更快的训练速度，更加适合进行风电功率预测。

• 单位
  内蒙古工业大学; 内蒙古农业大学