基于自适应噪声完备集合经验模态分解–样本熵–双向长短期记忆网络的短期光伏功率预测

摘要

光伏发电具有间歇性和波动性，传统的单一模型难以实现精确预测。因此，提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)、样本熵(sample entropy, SE)和双向长短期记忆网络(bidirectional long shortterm memory, Bi-LSTM)组合的预测模型。首先，采用CEEMDAN对历史功率序列进行分解以降低其非平稳性，针对分解后导致后续预测数据规模增大的问题，通过引入样本熵的方法将子序列进行重组。其次，将重组序列输入到双向长短期记忆网络中，对其进行学习和预测。最后，通过将各个重组序列预测结果线性相加的方式，获得最终的预测结果。实例验证表明，构建的组合模型适用于不同天气条件下的光伏功率预测，并且具有更高的预测精度。

关键词

光伏功率预测 / 自适应噪声完备集合经验模态分解 / 样本熵 / 双向长短期记忆网络