基于VMD-Stacking集成学习的新能源发电功率预测模型

摘要

在“双碳”背景下，新能源发电功率的准确预测对于电力系统的平稳运行至关重要。提出了一种自适应性的VMD-Stacking集成模型，以解决数据集变化时传统学习模型预测精度不高的问题。利用皮尔逊相关系数选择与发电功率强相关的气象特征，通过变分模态分解（Variational mode decomposition,VMD）将功率数据分解为多个模态分量，由此构成新的数据集。运用贝叶斯优化算法调整超参数，综合评判随机森林等8种学习模型的评价指标，自适应选出预测性能最优的3种模型作为基学习器，并选用稳定性和泛化能力相对较强的线性回归（LinearRegression）作为元学习器，建立Stacking融合模型。对各分量的预测值叠加，得到最终预测结果。以某新能源场站为例，对风、光电站的发电功率进行预测。算例验证结果表明，该模型在面对不同数据集时，体现出较强的适应性，预测性能也得到显著的提升。

关键词

新能源功率预测 / Stacking集成学习 / VMD / 皮尔逊相关系数 / 贝叶斯超参数优化