基于多模型融合与改进的灰狼优化算法的短期风力发电预测方法 于在江、 江赫、 赵燕

《Algorithms》：A Short-Term Wind Power Prediction Method Based on Multi-Model Fusion with an Improved Gray Wolf Optimization Algorithm Zaijiang Yu, He Jiang and Yan Zhao

　　

摘要

在当前的能源背景下，提高风力发电预测的精度是实现电网稳定发展的关键。现有的风力发电预测模型常常存在模态混叠和噪声残留的问题，导致预测精度不高。为了解决短期风力发电预测的问题，本文提出了一种基于改进的完全集合经验模态分解（ICEEMDAN）和自适应噪声变分模态分解（ICEEMDAN-VMD）的二次分解的风力发电序列分解与重构方法。利用ICEEMDAN，将风力发电数据（风向、风速、温度、湿度、气压等）分解为多个IMF子序列，并通过结合样本熵、Q统计量和序列频率将这些IMF子序列分为三个不同的频率成分。其次，通过引入经验交换策略（EES）对灰狼优化（GWO）算法进行了改进，并使用10个测试函数验证了所提出的EES-GWO算法的优化性能。最后构建了EES-GWO-卷积神经网络–双向门控循环单元–全局注意力（EES-GWO-CNN-BiGRU–Global attention）高频成分预测模型。接着，我们使用XGBoost模型对中频和低频成分进行预测，从而生成相应的预测结果。支持向量机（SVM）模型将所有预测结果非线性整合，得到最终的预测结果。通过实例分析和比较，从两个角度验证了所提模型的性能。