基于二次分解NGO-VMD残差项与长短时记忆神经网络的超短期风功率预测

摘要：

鉴于目前使用变分模态分解(variational modal decomposition,VMD)搭建的单次或二次分解风功率组合预测模型中,大多均直接忽略了风功率经VMD分解后残差项所包含的丰富信息,使得超短期风功率预测精度受限.提出了 一种基于二次分解NGO-VMD残差项、K均值聚类算法与长短时记忆神经网络(long short-term memory,LSTM)的组合预测模型.首先,使用北方苍鹰优化算法(northern goshawk optimization,NGO)对VMD的参数进行寻优,以选出最佳VMD参数组合;其次,采用NGO-VMD模型对VMD残差项进行二次分解,深度挖掘VMD残差项所包含的丰富信息;再次,利用K均值聚类算法解决VMD分解模态分量个数多,计算量繁冗的问题;最后,创建LSTM模型对各子模态分量分别进行预测并叠加各子模态分量的预测值得到超短期风功率预测结果.结果表明:该二次分解NGO-VMD残差项、K均值聚类算法和LSTM组合预测模型可充分挖掘VMD残差项的重要信息,有效提高了超短期风功率预测的精度.

关键词：二次分解、超短期风功率预测、北方苍鹰优化算法、K均值聚类算法、组合预测

所属期刊栏目：23

分类号：TM614(发电、发电厂)

资助基金：国家自然科学基金;新疆大学自然科学基金

在线出版日期：2023-05-12（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：2428-2437