基于贝叶斯优化的VMD-GRU短期风电功率预测

为提高风电功率预测精度,提出了一种基于贝叶斯优化的变分模态分解(variational mode decomposition,VMD)和门控循环单元(gated recurrent unit,GRU)相结合的风电功率预测方法.首先使用VMD算法对风电功率序列进行分解,并根据排列熵(permutation entropy,PE)的大小来确定序列分解的最佳模态数.然后将分解后得到的子序列分量与关键气象变量数据结合构成模型输入特征.使用 GRU 网络对各个子序列分量分别进行预测,并将各个子序列分量的预测结果进行重构得到风电功率预测结果.最后采用贝叶斯优化方法对各个子序列预测模型的网络初始超参数进行优...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:电力系统保护与控制 2023, Vol.51 (21), p.158-165
Hauptverfasser: 刘新宇, 蒲欣雨, 李继方, 张江涛
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:为提高风电功率预测精度,提出了一种基于贝叶斯优化的变分模态分解(variational mode decomposition,VMD)和门控循环单元(gated recurrent unit,GRU)相结合的风电功率预测方法.首先使用VMD算法对风电功率序列进行分解,并根据排列熵(permutation entropy,PE)的大小来确定序列分解的最佳模态数.然后将分解后得到的子序列分量与关键气象变量数据结合构成模型输入特征.使用 GRU 网络对各个子序列分量分别进行预测,并将各个子序列分量的预测结果进行重构得到风电功率预测结果.最后采用贝叶斯优化方法对各个子序列预测模型的网络初始超参数进行优化.采用某风电场的风电数据对所提模型进行验证,并与其他 6 种模型进行性能对比.结果表明,基于贝叶斯优化的VMD-GRU预测模型明显优于其他模型,具有较好的泛化能力,能够有效提高风电功率预测精度.
ISSN:1674-3415
DOI:10.19783/j.cnki.pspc.230397