基于多元模态分解与多目标算法优化的深度集成学习模型的超短期风电功率预测

针对风电功率预测问题,提出了一种基于多元变分模态分解(multivariate variational mode decomposition,MVMD)、多目标纵横交叉优化(multi-objective crisscross optimization,MOCSO)算法和Blending集成学习的超短期风电功率预测。在数据处理阶段,为了保持各序列间的同步相关性以及分解后得到本征模态函数(intrinsic mode functions,IMF)分量个数和分量频率相匹配,使用MVMD对多通道原始数据进行同步分解。针对单一机器学习模型导致预测的全面性不足,且存在精度和鲁棒性低的问题,提出基于MOCSO算法动态加权的Blending集成学习模型。通过对递归神经网络、卷积神经网络、长短期记忆网络的预测结果进行动态加权集成,并通过MOCSO优化调整权重,以提高模型的预测准确性与稳定性。实验结果表明,所提预测模型不仅有效,且显著优于其他预测模型。

考虑空间耦合的少数据风电功率预测方法

针对新建风力发电场历史数据少而导致功率难以准确预测的问题,结合邻近风电场的历史数据,提出了考虑空间耦合关系的少数据风电功率预测方法。首先,采用空间注意力量化邻近风电场对目标风电场的影响程度,并为对应风电场加权;然后,经由门控循环神经网络获取风电序列中隐含的时间关联信息,最后利用纵横交叉算法优化输出层的权重和偏置。以内蒙古的4个邻近风电场实测数据进行实验,实验结果表明所提方法能有效量化风电场间的影响程度,并提高了少数据风电场的预测精度。