基于VMD-WSGRU的风电场发电功率中短期及短期预测

摘要：

针对风电功率随机性较强、时序关联难以建模的问题,构建了变分模式分解(variational mode decomposition,VMD)与权值共享门控循环单元(weight sharing gate recurrent unit,WSGRU)组合而成的VMD-WSGRU预测模型.模型首先应用变分模式分解将历史风力发电功率等序列信息非递归地分解为指定层数的模态分量,不同模态分量代表了其不同尺度的特征,同时降低了原始序列的不平稳度,随后使用WSGRU对分析出的所有子分量整体进行快速准确的建模预测,最后使用人工神经网络(artificial neural network,ANN)修正并得到风功率的预测结果.算例结果表明,与传统单一模型预测方法相比,所提集成预测模型能够更好地把握风功率的趋势,具有更好的预测精度.与其他常见组合预测方法相比,本方法的训练也更加准确高效.

关键词：变分模态分解;短期电力负荷预测;深度学习;GRU神经网络

所属期刊栏目：46

分类号：TM721(输配电工程、电力网及电力系统)

在线出版日期：2022-03-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：897-904