| 基于二次分解NGO-VMD残差项与长短时记忆神经网络的超短期风功率预测 |
| |
| 引用本文： | 宋江涛,崔双喜,刘洪广.基于二次分解NGO-VMD残差项与长短时记忆神经网络的超短期风功率预测[J].科学技术与工程,2023,23(6):2428-2437. |
| |
| 作者姓名： | 宋江涛 崔双喜 刘洪广 |
| |
| 作者单位： | 新疆大学电气工程学院 |
| |
| 基金项目： | 国家自然科学基金(51667020)；新疆大学自然科学基金(BS160246) |
| |
| 摘 要： | 鉴于目前使用变分模态分解（VMD）搭建的单次或二次分解风功率组合预测模型中，大多均直接忽略了风功率经VMD分解后残差项所包含的丰富信息，使得超短期风功率预测精度受限。本文提出了一种基于二次分解NGO-VMD残差项、K均值聚类算法与LSTM的组合预测模型。首先，使用北方苍鹰优化算法(northern goshawk optimization，NGO)对VMD的参数进行寻优，以选出最佳VMD参数组合；其次，采用NGO-VMD模型对VMD残差项进行二次分解，深度挖掘VMD残差项所包含的丰富信息；再次，利用K均值聚类算法解决VMD分解模态分量个数多，计算量繁冗的问题；最后，创建LSTM模型对各子模态分量分别进行预测并叠加各子模态分量的预测值得到超短期风功率预测结果。结果表明：该二次分解NGO-VMD残差项、K均值聚类算法和LSTM组合预测模型可充分挖掘VMD残差项的重要信息，有效提高了超短期风功率预测的精度。
|
| 关 键 词： | 二次分解 超短期风功率预测 北方苍鹰优化算法 Kmeans聚类算法 组合预测 |
| 收稿时间： | 2022/9/2 0:00:00 |
| 修稿时间： | 2023/2/28 0:00:00 |
Ultra-short-term Wind Power Prediction Based on the Quadratic Decomposition NGO-VMD Residual Term and LSTM |
| |
| Song Jiangtao,Cui Shuangxi,Liu Hongguang.Ultra-short-term Wind Power Prediction Based on the Quadratic Decomposition NGO-VMD Residual Term and LSTM[J].Science Technology and Engineering,2023,23(6):2428-2437. |
| |
| Authors: | Song Jiangtao Cui Shuangxi Liu Hongguang |
| |
| Institution: | College of Electrical Engineering,Xinjiang University |
| |
| Abstract: | |
| |
| Keywords: | twice decomposition ultra-short-term wind power forecast northern goshawk optimization kmeans clustering algorithm combination prediction |
|
| 点击此处可从《科学技术与工程》浏览原始摘要信息 |
| 点击此处可从《科学技术与工程》下载免费的PDF全文 |
