山东大学学报(工学版)

作者：武新章,梁祥宇,朱虹谕,张冬冬

单位：1. 广西大学电气工程学院, 广西 南宁 530004；2. 广西大学计算机与电子信息学院, 广西 南宁 530004

关键词：风电功率预测,时序卷积网络,自适应噪声完备集成经验模态分解,灰色关联分析,Pearson相关系数,注意力机制,

基金：国家自然科学基金资助项目(5210071288);广西科技重大专项资助项目(2021AA11008);广西科技基地人才专项资助项目(2021AC19120)

为提高风电功率的预测精度, 提出基于数据分解和输入变量选择的短期风电功率预测方法。利用自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)对原始风电功率和风速数据进行分解, 平缓数据波动以提取内部隐藏信息。通过排列熵算法(permutation entropy, PE)将风电功率分量简化重构以降低模型复杂度。为提升输入变量与风电功率之间的关联程度, 剔除冗杂信息, 降低输入数据维度, 结合Pearson相关系数(Pearson correlation coefficient, PCC)和灰色关联分析(grey relation analysis, GRA)对各风电重构功率分量的输入变量进行选择。最后利用基于注意力的时序卷积网络(attention-based temporal convolutional network, ATCN)对各重构功率分量进行预测, 将各预测值叠加得到最终结果。试验结果表明, 基于CEEMDAN-GRA-PCC-ATCN的短期风电功率预测方法能够提取更多风电数据内部的关键信息, 降低输入数据的维度, 强化输入变量与风电功率之间的关联性, 有效提高预测精度。

来源：2022年第6期

《山东大学学报(工学版)》期刊编辑部

查看山东大学学报(工学版)杂志2022年第6期