科研之友
微信
新浪微博
Facebook
分享链接
摘要
为提高风功率预测精度，提出一种基于改进自适应白噪声完全集合经验模态分解(ICEEMDAN)、排列熵(PE)、改进黑猩猩优化算法(ICHOA)、最小二乘支持向量回归机(LSSVR)和双向长短时记忆(BiLSTM)网络相结合的短期风功率预测混合模型。通过ICEEMDAN将非平稳的原始风电序列分解为相对平稳的模态分量，并使用PE聚合来降低计算复杂度。分别将BiLSTM模型和LSSVR模型应用于高频分量和低频分量的预测。采用ICHOA用于优化模型的参数。将每个预测分量值叠加得出最终预测结果。算例分析结果表明，所提LSSVR-BiLSTM双尺度深度学习模型与其他模型相比，能更好地拟合风功率数据，具有较高的预测精度和可行性。
