基于组合深度学习的风电功率区间预测

摘要

为了提高风电功率区间预测的精度，提出了一种基于组合深度学习的风电功率区间预测模型。首先，针对传统蜣螂优化算法(DBO)存在全局寻优能力和局部探索能力不均衡的问题，提出了一种改进的蜣螂优化算法(POTDBO)。该算法通过增强全局寻优能力并改进局部探索策略，优化变分模态分解(VMD)中的分解个数K和惩罚因子β,从而提高VMD的分解效果。其次，基于优化后的VMD分解结果，构建了组合深度学习模型POTDBO-VMD-CNN-BiLSTM。该模型利用卷积神经网络(CNN)提取风电功率的空间特征，并结合双向长短期记忆网络(BiLSTM)充分捕捉数据中的历史信号特征和未来信号特征，对各分量分别预测并叠加重构，从而实现了风电功率的准确预测。再次，引入了非参数核密度估计法(KDE)对组合模型的预测误差进行拟合，从而得到不同置信区间下的风电功率区间预测结果。最后，运用新疆某风电场的实际运行数据对所提模型进行了验证。仿真结果表明：在置信水平为95%时，与高斯分布、T分布相比，所提方法在预测区间覆盖宽度CWC上分别降低了0.103 6,0.171 4,在区间预测精度上有所提升。

关键词

风电功率区间预测 / 蜣螂优化算法 / 变分模态分解 / 非参数核密度估计