基于特征融合的BWO-CNN-BiLSTM短期风电功率组合预测

章鹤; 曾艾东

doi:10.13960/j.issn.1672-2558.2025.04.002

南京工程学院学报（自然科学版） ›› 2025, Vol. 23 ›› Issue (4) : 8 -16. DOI: 10.13960/j.issn.1672-2558.2025.04.002

基于特征融合的BWO-CNN-BiLSTM短期风电功率组合预测

章鹤, 曾艾东

作者信息 +

Author information +

文章历史 +

摘要

针对短期风速序列的非平稳性与波动性导致的预测精度不高的问题,文章提出一种组合预测模型.首先,采用自适应噪声完备集合经验模态分解(CEEMDAN)算法提取风速序列的本征模态函数(IMF);然后,利用K-means聚类将IMF分为高、中、低频三类分量,通过自适应调整变分模态分解(VMD),实现高频特征的精准分离;最后,将VMD分解的精细模态与中、低频分量结合外部气象特征进行特征融合,构建由卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)和注意力机制(Attention)组成的组合预测网络,并通过白鲸优化(BWO)算法进行高效寻优.试验结果表明,相较于CEEMDAN-CNN-BiLSTM-Attention模型,该组合预测模型的平均绝对误差、平均绝对百分比误差分别减小了56.9%、75.4%,决定系数提高了22.7%.该模型提升了短期风电功率预测精度,为风电场的高效运行调度提供了高精度预测支持.