一种用于超短期风力发电预测的智能计算架构：结合双阶段信号处理与优化深度学习技术

《Inventions》：An Intelligent Computing Architecture for Ultra-Short-Term Wind Power Forecasting: Integrating Dual-Stage Signal Processing and Optimized Deep Learning

　　

摘要

将风能整合到电力系统中时，需要借助预测技术来应对其波动性和间歇性所带来的运营挑战。本文提出了一种用于超短期风力发电预测的计算架构。该方法结合了自适应双阶段信号处理技术与优化后的深度学习模型。为处理气象变量的非平稳性，采用了皮尔逊相关系数和最大信息系数分析方法进行特征选择。随后使用ICEEMDAN算法进行初步分解，再通过样本熵和K-Means聚类分析来评估各分量的复杂程度。对于高频分量，还应用了变分模态分解技术，以进一步分离随机波动，同时保留相对稳定的趋势分量。最后构建了卷积神经网络-双向长短期记忆网络，用来预测这些多尺度分量。为减少对人工经验调优的依赖，还使用了冠毛豪猪优化器来微调网络的关键参数。基于实际风电场数据的测试表明，所开发的混合方法能够较好地捕捉风力发电的时间动态特性，其预测误差也低于其他对比模型。这项研究为可再生能源预测及相关运营分析提供了数据驱动型的计算框架。