基于时空特征和二次分解的误差自校正短期风电功率预测

摘要

针对风电功率预测模型忽略空间特征及对信号分解深度不足导致预测精度较低的问题，提出一种集成时空多维度特性与风电功率信号两阶段分解策略的误差自校正预测方案。模型运用完全自适应噪声集合经验模态分解算法对风电初始特征序列进行首次模态分解，针对非线性最强的首个子分量，引入变分模态分解实施二次分解，以有效平抑信号的波动；然后，应用具有空间建模能力的图卷积神经网络结合风电机组地理坐标与距离构建邻接矩阵，提取各风机节点特征并嵌入时空特征矩阵；最后，利用改进麻雀算法优化的双向长短期记忆网络对时空特征矩阵进行预测，并通过对误差值的预测实现误差动态自我校正。使用所提出预测模型进行风电功率预测，预测结果的评价指标RMSE、MAE相较于其他对比模型显著降低，风电功率预测的准确率得到大幅提升。

关键词

风电功率预测 / 时空结合 / 二次分解 / 图卷积神经网络 / 误差校正

基金资助

国家自然科学基金（72171081）