基于MIC-VMD-GWO-LSTM的短期风电功率预测

摘要：

准确的风电功率预测可以合理安排风电场的发电计划和提高电网稳定性.针对单一预测模型预测精度低的问题,提出一种基于MIC-VMD-GWO-LSTM的短期风电功率预测模型.首先使用最大互信息系数法(MIC)对高维特征的风电数据集进行特征提取,以降低数据复杂度;然后采用变分模态分解(VMD)技术将风电功率序列分解为不同频率的模态,以减少功率数据的波动性;接着对每个模态建立GWO-LSTM预测模型,并利用灰狼优化(GWO)算法LSTM模型的相关参数进行优化;最后将每个模态的预测结果求和重构,得到最终的预测结果.仿真结果表明,相对于单一的BP和LSTM预测模型,基于MIC-VMD-GWO-LSTM的组合预测模型的MAPE分别降低了43.16%和31.14%,可有效提高预测精度,证明了该方法在风电功率预测运用中的有效性和可行性.

关键词：短期风电功率预测、最大互信息系数、变分模态分解、灰狼优化算法、长短期记忆、风电功率序列

所属期刊栏目：46

分类号：TN919-34;TM614

资助基金：国家自然科学基金61761025

在线出版日期：2023-11-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：115-120