基于特征选择及ISSA–CNN–BiGRU的短期风功率预测

摘要

针对风电功率随机性大、平稳性低，以及直接输入预测模型往往难以取得较高精度等问题，提出了一种基于特征选择及改进麻雀搜索算法（ISSA）优化卷积神经网络–双向门控循环单元（CNN–BiGRU）的短期风电功率预测方法。首先，利用变分模态分解（VMD）将原始功率分解为一组包含不同信息的子分量，以降低原始功率序列的非平稳性，提升可预测性，同时通过观察中心频率方式确定模态分解数。其次，对每一分量采用随机森林（RF）特征重要度的方法进行特征选择，从风速、风向、温度、空气密度等气象特征因素中，选取对各个分量预测贡献度较高的影响因素组成输入特征向量。然后，建立各分量的CNN–BiGRU预测模型，针对神经网络算法参数难调、手动配置参数随机性大的问题，利用ISSA对模型超参数寻优，自适应搜寻最优参数组合。最后，叠加各分量的预测值，得到最终的预测结果。以中国内蒙古某风电场实际数据进行仿真实验，与多种单一及组合预测方法进行对比，结果表明，本文所提方法相比于其他方法具有更高的预测精度，其平均绝对百分比误差值达到2.644 0%；在其他4个数据集上进行的模型准确性及泛化性验证结果显示，模型平均绝对百分比误差值分别为4.385 3%、3.174 9%、1.576 1%和1.358 8%，均保持在5.000 0%以内，证明本文所提方法具有较好的预测精度及泛化能力。

关键词

短期风功率预测 / 变分模态分解 / 特征选择 / 改进麻雀搜索算法 / 卷积神经网络 / 双向门控循环单元