基于自适应VMD-LSTM的超短期风电功率预测

摘要

针对风电功率波动性较强和预测精度较低的问题，提出一种改进蜣螂优化算法(Logistic-T-Dung Beetle Optimizer, LTDBO)优化变分模态分解(Variational Mode Decomposition, VMD)参数和LTDBO算法优化长短期记忆网络(Long Short-Term Memory, LSTM)超参数的混合短期风电功率预测模型.首先以平均包络谱峭度作为适应度函数，利用LTDBO算法对VMD分解层数和惩罚因子进行寻优，然后使用VMD对数据清洗后的风电序列进行分解，得到不同频率的平稳的固有模态分量(Intrinsic Mode Function, IMF),并将各IMF输入由LTDBO进行超参数寻优的LSTM进行预测，最后将各IMF预测值进行叠加重构，得到最终结果.实验结果表明：LTDBO算法可以找到VMD和LSTM的最优超参数组合，LTDBO-VMD-LTDBO-LSTM组合模型在风电功率预测领域具有较好的预测精度和鲁棒性.

关键词

风电功率 / 蜣螂优化算法 / 变分模态分解 / 长短期记忆网络 / 数据清洗

基金资助

上海市自然科学基金(11ZR1413800)