CEEMDAN-WPE-CLSA超短期风电功率预测方法研究

摘要

提出了一种结合自适应噪声完全集合经验模态分解、加权排列熵、卷积神经网络、长短期记忆网络和自注意力机制的超短期风电功率预测方法。首先，利用自适应噪声完全集合经验模态分解将原始风电功率时间序列自适应分解为一系列的模态分量，降低原始序列的非线性和波动性；其次，根据加权排列熵计算各模态分量间的相似性并对相似的分量进行重组，以修正自适应噪声完全集合经验模态分解的过度分解问题，使得修正后的模态分量更具规律性；最后，将重组后的分量输入卷积长短期记忆网络进行时序建模，并利用自注意力机制对卷积长短期记忆网络的神经元权重进行重新分配，提高了卷积长短期记忆网络对输入特征不确定性的适应能力。在此基础上，明确了自注意力机制和自适应噪声完全集合经验模态分解、加权排列熵在风电功率预测中的作用机制，以及风电功率信号包含的重要物理信息，证明了自适应噪声完全集合经验模态分解、加权排列熵以及自注意力机制在风电功率信号模态分解和长短期记忆网络隐层输出权重分配中的有效性。

关键词

超短期风电功率预测 / 自适应噪声完全集合经验模态分解 / 加权排列熵 / 卷积长短期记忆网络 / 自注意力机制

基金资助

国家重点研发计划项目(2021YFB2601300); 陕西省重点研发计划项目(2022GY-178)