基于完全集成经验模态分解和模糊熵分频的短期风电功率预测

摘要：

随着风电接入电力系统的比例日益增大,准确的风电功率预测显得更加重要.为此,提出了一种基于模糊熵和完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)的短期风电功率预测模型.采用完全集成经验模态分解将原始风电功率序列进行分解,得到一系列不同频率的子序列.再使用模糊熵(fuzzy entropy,FE)算法识别各频率分量特征,将子序列分量分为高、中频分量类和趋势项.趋势项为低频分量,具有较为平稳、波动性小的特点,采用麻雀算法(sparrow search algorithm,SSA)优化支持向量回归(support vector regression,SVR)进行预测;高、中频分量的波动性大且特点较为复杂,则采用SSA优化长短期记忆神经网络(long short-term memory,LSTM),同时引入注意力机制(attention mechanism,AM)对重要信息进行更好的权值分配.最后,经过实验结果分析表明,该模型具有更高的风电功率预测精度.

关键词：麻雀算法、LSTM模型、SVR模型、CEEMDAN分解、风电功率预测、模糊熵

所属期刊栏目：23

分类号：TM614(发电、发电厂)

在线出版日期：2023-10-11（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：10835-10845