关键词：
超短期风电功率预测
数据处理
组合模型
MIBWO算法
误差修正
摘要：
随着我国风力发电事业的快速发展,实际应用中对风电功率预测的精度要求越来越高。为进一步提升超短期风电功率预测的精度,保障电网的安全稳定运行,本文从数据清洗、模型结构优化、训练参数优化与预测误差修正四个方面开展了系统研究。本文的主要研究工作包括:
(1)针对风电数据中异常值对模型预测精度造成的不利影响,提出一种基于物理规则与改进凝聚层次聚类的异常数据清洗方法。首先,依据风电机组的运行规律,识别并清洗数据中明显不合理的异常值。其次,设计了一种融合数值信息距离与动态时间弯曲度的特征距离度量方式,对传统凝聚层次聚类算法进行改进。最后,利用改进后的聚类算法识别并清洗离散型异常值。实验结果表明,该方法能够有效剔除风电数据中的异常值,为后续预测模型的构建提供了高质量的数据。
(2)针对超短期风电功率预测模型在特征提取与预测精度方面的不足,以及当前新型预测模型研究不足的问题,提出一种基于时间序列神经基展开分析(Neural Basis Expansion Analysis for Time Series Forecasting,NBEATS)的多模块组合模型(NBEATS-ITA)。该模型以NBEATS结构为基础,融合局部多尺度残差卷积模块、时间卷积网络以及交叉注意力机制,以增强模型的特征提取与建模能力。对比实验结果表明,NBEATS-ITA在预测精度方面显著优于传统预测模型。进一步的消融实验验证了各模块在提升整体预测性能方面的有效性。
(3)针对NBEATS-ITA模型训练参数难以选取合适值的问题,提出一种基于多策略改进白鲸算法(Multi-strategy Improved Beluga Whale Optimization,MIBWO)的MIBWO-NBEATS-ITA模型。首先,采用混沌映射初始化种群策略、改进平衡因子控制策略和融合黄金正弦位置更新策略对白鲸算法进行改进。其次,通过实验证明了MIBWO算法的优势。最后,采用MIBWO算法对训练参数进行寻优,构建MIBWO-NBEATS-ITA模型进行预测实验。实验结果表明MIBWO-NBEAT-ITA模型具有更高的预测精度。
(4)针对MIBWO-NBEATS-ITA模型预测结果存在的滞后性问题,构建一种基于改进的自适应噪声完备集合经验模态分解算法(Improved Complete Ensemble Em-pirical Mode Decomposition with Adaptive Noise,ICEEMDAN)与自回归差分移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)的ICEEMDAN-ARIMA误差预测模型。首先,将功率误差序列通过ICEEMDAN进行分解,并采用色散熵对分解后的子序列进行重构。其次,采用ARIMA模型对分解重构后的序列进行拟合,将每个重构序列的预测结果求和叠加得到最终误差预测结果。最后,用误差预测结果对MIBWO-NBEATS-ITA模型的初步预测结果进行误差修正。实验结果表明经过误差修正后,MIBWO-NBEATS-ITA模型预测结果的滞后性问题得到缓解,预测精度进一步得到了提升。
欢迎来到三峡大学图书馆！
详细信息
