季节分型下一种面向风电功率日前预测的深度自适应滤波框架

摘要：

深入研究数值天气预报风速的波动性对提高风电功率日前预测精度具有重要意义.首先提出一种深度自适应滤波框架,对于数值天气预报风速,采用引入相对熵的变分模态分解算法,经分解产生多个模态分量后,基于非局部均值去噪算法对其中的噪声分量滤波,随后将其与有效分量重构得到去噪后的序列;在此基础上按季节分型,将去噪后的数值天气预报风速序列作为输入,在备选模型库中由验证集选用该季节最适合的风速-功率转化模型,并对测试集进行风电功率预测.选用中国东北某风电场进行算例分析,相较于其他分解算法,所提方法在不同季节的预测准确率可提升0.25%～1.58%,即季节分型下的深度自适应滤波框架可有效提高风电功率预测精度.

关键词：相对熵、非局部均值去噪、季节分型、风电功率日前预测

所属期刊栏目：17

分类号：TM614(发电、发电厂)

在线出版日期：2023-07-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：62-71