基于两次多元分解和筛选的风电功率预测方法

摘要

针对风电功率预测中数据噪声及多变量耦合关系利用不足的问题，提出了一种基于两次多元分解与特征筛选的混合预测模型。首先，采用多元变分模态分解（MVMD）对多变量时序数据进行多尺度分解，通过样本熵与层次聚类将各变量子模态重构为高、中、低频分量；其次，针对高频分量实施二次MVMD分解，以细化特征提取；最后，创新性地引入Granger因果关系检验构建两阶段特征筛选机制，有效剔除非平稳序列及无因果关联的分量。长短期记忆网络（LSTM）与卷积神经网络（CNN）的风电功率预测结果相比，所提方法可将预测指标的平均绝对误差（MAE）降低89.8%，均方根误差（RMSE）减少90.6%，且显著优于单变量分解方法。同时，两次多元分解和筛选方法相较于不进行分解和单次分解方法均可以显著提升模型预测精度。经Diebold-Mariano检验证实，所提模型在5%显著性水平下优于所有基准模型，改进比率稳定在27%以上。该混合模型可以显著提升数据质量，进而提升风电功率预测效果，为高精度风电预测提供了新的解决方案。

关键词

风电功率预测 / 深度学习 / 数据预处理 / 多元变分模态分解 / 数据筛选