基于EEMD-BO-BiGRU融合模型的海上风电场超短期功率预测研究

针对海上风电场功率输出受复杂气象条件影响导致的波动性问题，研究人员提出了一种集成集合经验模态分解(EEMD)、贝叶斯优化(BO)和双向门控循环单元(BiGRU)的融合模型EEMD-BO-BiGRU。该模型通过信号分解与深度学习结合，将浙江舟山嵊泗Ⅱ期风电场的预测合格率提升至95.56%，为海上风电实时调控提供了高精度技术支撑。

　　

海上风电作为实现碳中和目标的关键清洁能源，其功率输出的高波动性一直是制约电网稳定的技术瓶颈。尤其对于气象条件复杂的海上风电场，传统预测方法难以应对风速突变、尾流效应等多重干扰，现有模型存在超参数优化与信号分解协同不足、计算效率低等问题。针对这一挑战，浙江能源集团国电投嵊泗海上风电公司联合高校团队，在《Renewable Energy》发表研究，提出了一种创新融合模型EEMD-BO-BiGRU。

研究团队采用四大核心技术：首先利用集合经验模态分解(EEMD)将原始功率序列分解为固有模态函数(IMF)和残差分量(Res)，降低数据非线性；其次采用贝叶斯优化(BO)自动调优GRU/BiGRU的超参数；再通过双向门控循环单元(BiGRU)捕捉时序数据的双向依赖关系；最后基于浙江舟山402MW风电场SCADA和激光雷达实测数据验证模型。

Gated recurrent unit
研究阐明GRU通过更新门和重置门结构，较LSTM更高效处理长序列依赖。在EEMD分解后，GRU用于预测高频IMF分量，其优化后的网络结构显著提升计算速度。

The target offshore wind farm
以嵊泗Ⅱ期风电场63台机组（上海电气SWT-6.25-172与明阳智能MySE-6.45-180混排）为对象，研究特别指出机组切入风速3m/s与切出风速25m/s的工况特性，为模型训练提供真实边界条件。

Results and discussion
模型在4小时超短期预测中合格率达95.56%，较单一方法提升显著：BO优化贡献14.62%精度提升，GRU与BiGRU分别带来9.97%和7.44%改进。值得注意的是，针对风电场不同区域，模型对上游机组预测性能最优，揭示尾流效应会降低下游机组预测准确性。

Conclusions
该研究首次实现EEMD分解与BO-BiGRU的端到端融合，证实双向循环神经网络在处理分解信号时的优势。实际应用中，模型可为风电场提供4小时内的功率波动预警，支撑电网AGC（自动发电控制）系统快速响应。团队特别指出，该方法计算效率满足实时性要求，未来可扩展至风电集群预测场景。

这项由国家自然科学基金（52206281）和浙江省自然科学基金（LY24E060002）资助的研究，为海上风电高比例并网提供了关键技术突破，其方法论对光伏、波浪能等波动性可再生能源预测具有普适参考价值。