基于改进CEEMDAN-TCN模型的风电功率预测研究

摘要：

针对风力发电时间序列数据随机性大、单一算法难以获得准确预测结果的问题,本文采用改进的完全自适应噪声集合经验模态分解(ICEEMDAN)与时域卷积网络(TCN)相结合的模型预测风电功率.首先,针对集成模态分解的残余噪声和杂散模式问题,采用改进的CEEMDAN将原始序列数据分解为多个复杂度差异明显的子序列;其次,利用样本熵评估各分量复杂度,采用注意力机制的TCN,分别对低复杂度子序列和高复杂度子序列进行预测;最后将各子序列的预测结果叠加,得到最终的预测结果.经在弗兰德伦地区的数据集上测试结果表明,所提的ICEEMDAN-TCN模型的MAPE为1.74％,RMSE为127.36,优于其它对比模型,预测效果表现最优.

关键词：时域卷积神经网络、自适应噪声集合经验模态分解、风电功率、预测

所属期刊栏目：14

分类号：TP183;TM714(自动化基础理论)

资助基金：教育部哲学社会科学重点研究基地重大课题攻关项目20JZD010

在线出版日期：2024-01-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：112-118