基于EEMD-GRU-MC的短期风功率组合预测方法

摘要：

针对风功率间歇性强、随机波动性大而导致的模型预测精度不高的问题,将数据分解技术、基于人工智能的预测模型和误差修正技术结合起来,提出一种集成集合经验模态分解(ensemble empirical mode decomposition,EEMD)、门控循环单元(gated recurrent unit,GRU)和马尔科夫链(Markov chain,MC)的短期风功率组合预测方法(EEMD-GRU-MC).首先,利用EEMD算法将历史风功率序列分解为一组相对平稳的子序列,以减少随机波动分量和无序噪声对预测模型的影响;然后,使用GRU模型分别对各子序列进行预测,并将各子序列的预测值叠加得到初步的预测结果;最后,为了进一步提高预测精度,利用MC预测残差的未来状态,对EEMD-GRU模型的预测结果进行修正.以云南省某风电场的短期功率预测为例对本文方法进行了验证,大量算例结果表明,相比于ARIMA、LSTM、GRU、EEMD-LSTM和EEMD-GRU模型,所提出的组合预测方法具有更强的预测精度和泛化能力,在不同季节的平均绝对预测误差均小于2％,表现出良好的短期风电功率预测前景.

关键词：集合经验模态分解、门控循环单元、马尔科夫链修正、短期风功率预测

所属期刊栏目：17

分类号：TM614(发电、发电厂)

资助基金：国家自然科学基金;中国博士后科学基金面上资助项目;黄河实验室郑州大学一流课题专项基金资助项目

在线出版日期：2023-04-10（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：66-73