基于黑翅鸢算法和VMD的短期风电功率预测

To improve short-term wind power prediction accuracy, this paper proposes a hybrid model combining Black Kite Algorithm (BKA) and Variational Mode Decomposition (VMD). BKA optimizes VMD parameters to decompose wind series into stable sub-series; meteorological data are fused with sub-series as inputs to a TCN-BiGRU-Attention model. BKA further tunes hyperparameters. Validation on Xinjiang wind farm data shows superior performance over five benchmarks.

为提高短期风电功率预测精度,提出一种基于黑翅鸢算法(BKA)和变分模态分解(VMD)的短期风电功率预测模型.首先采用BKA确定VMD的参数,并且利用VMD将数据分解为若干个子序列以降低风电时间序列的复杂性和不稳定性.其次将各子序列与关键的气象数据结合构成输入分量,并利用时间卷积网络(TCN)、双向门控循环单元(BiGRU)和注意力机制的组合预测模型对各输入分量分别进行预测.最后采用BKA确定预测模型超参数的最优组合方案,并将各预测结果进行加和重构得到最终风电功率预测结果.采用新疆某风电厂的实际风电功率数据对所提模型进行验证,并与其他5种组合预测模型进行性能对比.实验表明,所提模型预测效果优于其他预测模型,能够有效提升短期风电功率预测的准确性.