基于改进蜣螂优化算法的短期风电功率预测

摘要

为了提高短期风电功率预测的准确度，建立了一种基于POTDBO-VMD-CNN-BiLSTM的短期风电功率预测模型。首先，采用融合Piecewise混沌映射、鱼鹰优化算法和自适应T分布扰动3种策略对蜣螂优化算法进行改进，以平衡蜣螂优化算法的全局探索和局部开发能力并加快其收敛速度；其次，用改进的蜣螂优化算法（POTDBO）对变分模态分解（VMD）的分解数K和惩罚因子α进行寻优处理，提高VMD的分解效果，再用POTDBO-VMD模型对风电功率进行分解；最后，将分解的各频率分量以及残差分量分别输入到CNN-BiLSTM混合模型中预测，再将各频率分量以及残差分量的预测结果进行序列重构得到风电功率预测结果。通过新疆某风电场和吉林某风电场的实际数据对所提出模型进行实验，并和CNN-BiLSTM模型进行对比，结果显示：所提模型在决定系数R²上分别增加了4.21%,7.69%,表现出更好的预测精度。

关键词

风电功率预测 / 改进蜣螂优化算法 / 变分模态分解 / 卷积神经网络 / 双向长短期记忆神经网络