摘要
鉴于风能的固有间歇性和非线性动力学特性，风力发电预测对于维持电网稳定性至关重要。本研究提出了一种稳健的两阶段混合框架，用于短期风电功率预测，该框架整合了变分模态分解（VMD）、人工神经网络（ANN）和加权最小二乘支持向量机（W-LSSVM）。在第一阶段，VMD 将风速时间序列分解为带限本征模态分量，以降低非平稳性和噪声。每个分量均使用非线性 ANN 模型进行预测。在第二阶段，基于残差的自适应加权 LSSVM 聚合预测分量以估计 SCADA 测量的风电功率，从而减轻异常值和噪声样本的影响。采用按时间顺序的滚动原点评估协议，以保持时间顺序并评估在所评估时间窗口内的泛化能力。性能在多个不重叠的测试窗口上进行评估，并以均值 ± 标准差的形式报告。与经典基准、持续性预测和 LSTM 模型的对比实验表明，在评估的退化数据条件下，该模型具有具有竞争力的短期精度和提高的稳健性。经验预测区间还提供了对预测不确定性的评估。结果表明，所提出的框架提供了具有竞争力的短期预测性能，并在评估的退化数据条件下提高了稳健性。然而，需要使用更长期和多地点的数据集进行验证，才能建立更广泛的泛化性。
