基于DLCEEMDAN-SA-TCN和误差修正的短期风电功率预测

风电功率的精确预测能有效降低并网过程中给电力系统带来的波动,故文章提出一种基于时序分解和误差修正的风电功率预测方法。该方法首先利用最大信息系数法(maximum information coefficient,MIC)选择出与风电功率相关性强的特征,以降低原始数据的复杂度;然后针对风电功率的非平稳特性,采用双层自适应噪声完备集合经验模态分解(double layers complete ensemble empirical mode decomposition with adaptive noise,DLCEEMDAN)将风电功率分解为若干个平稳的子序列;最后利用融合注意力机制的时间卷积网络(temporal convolutional networks,TCN)对风电多变量时间序列进行动态建模;为进一步提高预测精度,引入轻梯度提升机(light gradient boosting machine,LightGBM)对预测值进行误差修正。结合国内某风电场实测数据进行实验,仿真结果表明,所提方法具有较高的短期风电功率预测精度。