融合TWP与时频双通道FxLSTM架构的短期风电功率预测方法

摘要

为提升风电功率预测精度，支撑电力系统的科学管理与高效调配，本文提出一种融合时变小波频域处理模块（Timevariant wavelet-frequency processing module, TWP）与时频双通道扩展长短期记忆网络(Frequency-domain coupled xtended long short-term memory, FxLSTM)架构的短期风电功率预测方法.首先，引入时变滤波经验模态分解（TVF-EMD）算法，增强信号有效特征，大幅削弱干扰成分；其次，设计一维多级小波卷积（One-dimensional multilevel wavelet convolutional, 1D-WTConv）模块，提取时间序列中的长短期依赖关系及局部波动特征；再者，构建时频双通道FxLSTM架构，实现时序动态信息与关键频率成分的深度耦合；最后，基于Tukey窗函数和Welch功率谱密度估计开展频谱分析，为频段分层处理提供可靠物理基础.本研究采用宁夏与内蒙古风电场跨季节实测数据进行验证.实验结果表明，在宁夏风电场测试集上，模型的均方根误差（RMSE）为0.47 MW，平均绝对误差（MAE）为0.331 MW，平均绝对百分比误差（MAPE）为1.496%.在内蒙古高频湍流复杂场景下，相较于传统预测方法，本文模型的预测误差有明显降幅.研究结果证实，融合TWP与时频双通道FxLSTM架构的风电功率预测模型在预测精度与泛化性能方面表现卓越，为高波动性场景下的风电功率预测提供了创新且实用的解决方案.

关键词

风电功率预测 / 时变滤波经验模态分解 / 一维多级小波卷积 / 时频双通道架构 / 频谱分析

基金资助

国家自然科学基金资助项目（62273133）; 河南省科技攻关项目资助项目（222102210120）