基于四分位-MAD和朴素贝叶斯的风电数据处理方法

针对风电机组运行数据存在的异常和缺失问题,提出了一种基于四分位-MAD和朴素贝叶斯的风电数据处理方法.文中对实际风功率数据进行研究,分析风速-功率的分布特征,建立了四分位-MAD异常数据识别模型进行异常数据识别,并利用识别后的正常数据构造朴素贝叶斯分类器对剔除的异常数据和原始缺失数据进行补偿.仿真结果表明,所述异常识别方法能够有效识别不同分布类型的异常数据,采用所提补偿方法可以有效补偿数据且改善了数据完整性;经过上述方法处理后,风电功率的预测精度较数据处理前提高了17%,验证了所提方法的可行性和有效性,对风电场功率预测研究具有一定的现实应用价值.

基于MIC-VMD-GWO-LSTM的短期风电功率预测

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。