基于变分模态分解和分位数卷积-循环神经网络的短期风功率预测-北极星风力发电网

投稿

我要投稿

摘要：由于风力发电的随机性和间歇性，风功率预测不仅需要准确的点预测，而且需要可靠的区间预测和概率预测来量化风功率的不确定性。提出了一种基于变分模态分解（variational mode decomposition，VMD）和分位数卷积-循环神经网络的风功率概率预测模型。首先，使用VMD技术将原始风功率数据序列分解为一系列特征互异的模态分量，再通过卷积神经网络（convolutional neural network，CNN）提取反映各模态分量动态变化的高阶特征。然后，基于提取的高阶特征进行分位数回归建模，采用长短期记忆（long short-term memory，LSTM）循环神经网络预测未来任意时刻不同分位数条件下的风功率值。最后，利用核密度估计（kernel density estimation，KDE）得到风功率概率密度曲线。以中国某风电场数据作为算例测试，证明了所提出模型的有效性。

结论：本文提出了基于VMD和分位数回归的卷积-循环神经网络的风功率概率预测组合模型，即VMD-QRCNN-LSTM。通过基于VMD的组合模型可以得到不同分位数条件下的风功率预测值，提高了风功率预测的综合性能，再通过KDE能够得到风功率预测值的概率密度函数曲线。该模型能够在保证点预测准确性的同时，实现高可靠性和敏锐度的区间预测以及可靠有效的概率预测。

电力报1.jpg