基于自适应权重的CNN-LSTM&GRU组合风电功率预测方法

摘要：

准确预测风电功率可以提高电网运行的安全性和可靠性.为进一步提高短期风电功率预测精度,针对目前单一模型难以获得最优预测结果的问题,提出一种CNN-LSTM&GRU多模型组合短期风电功率预测方法.首先,利用卷积神经网络(convolutional neural network,CNN)提取数据局部特征,并结合长短期记忆(long short term memory,LSTM)网络构造出融合局部特征预提取模块的CNN-LSTM网络结构;然后,将其与门控循环单元(gated recurrent unit,GRU)网络并行,并通过自适应权重学习模块为CNN-LSTM模块和GRU模块的输出选择最佳权重,构建出CNN-LSTM&GRU组合的短期预测模型.最后,对中国西北某风电场的出力进行预测研究,结果表明:所提模型与单一模型或其他组合模型相比,指标误差更小,预测精度更高.

关键词：短期风电功率预测、CNN-LSTM、GRU、组合预测、自适应权重学习

所属期刊栏目：55

分类号：TP391.41;TM614;TM761

资助基金：国家自然科学基金;宁夏回族自治区自然科学基金资助项目

在线出版日期：2022-05-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：47-56,110