基于变分模态分解和分位数卷积-循环神经网络的短期风功率预测

作者：沙骏; 徐雨森^*; 刘冲冲; 冯定东; 胥峥; 臧海祥

来源：中国电力, 2022, 55(12): 61-68.

• 风功率预测
• 变分模态分解
• 卷积神经网络
• 长短期记忆循环神经网络
• 分位数回归

由于风力发电的随机性和间歇性，风功率预测不仅需要准确的点预测，而且需要可靠的区间预测和概率预测来量化风功率的不确定性。提出了一种基于变分模态分解（variational mode decomposition,VMD）和分位数卷积-循环神经网络的风功率概率预测模型。首先，使用VMD技术将原始风功率数据序列分解为一系列特征互异的模态分量，再通过卷积神经网络（convolutional neural network,CNN）提取反映各模态分量动态变化的高阶特征。然后，基于提取的高阶特征进行分位数回归建模，采用长短期记忆（long shortterm memory,LSTM）循环神经网络预测未来任意时刻不同分位数条件下的风功率值。最后，利用核密度估计（kernel density estimation,KDE）得到风功率概率密度曲线。以中国某风电场数据作为算例测试，证明了所提出模型的有效性。

• 单位
  电气学院; 河海大学