针对风电功率序列具有波动性和较高复杂度的特点,提出了一种基于麻雀算法(sparrow search algorithm,SSA)优化的双向长短期记忆神经网络(bidirectional long and short-term memory neural network,BiLSTM)和奇异谱分析的短期风电功率...针对风电功率序列具有波动性和较高复杂度的特点,提出了一种基于麻雀算法(sparrow search algorithm,SSA)优化的双向长短期记忆神经网络(bidirectional long and short-term memory neural network,BiLSTM)和奇异谱分析的短期风电功率预测模型。首先,采用奇异值分析对历史功率数据进行特征提取,去噪处理减少噪声信息干扰;其次,利用麻雀算法对BiLSTM模型超参数寻优,以BiLSTM为基础构建风电功率预测模型,提高了模型训练效率;最后,采用某风电场的运行数据验证模型精度并对比其他模型验证模型合理性。实验结果表明:改进后的模型相对于基准模型,绝对误差降低了14.2%,均方根误差降低了4.24%,本文所提改进BiLSTM模型具有较好的预测性能,能有效提高短期风电功率预测的精度。展开更多
文摘针对风电功率序列具有波动性和较高复杂度的特点,提出了一种基于麻雀算法(sparrow search algorithm,SSA)优化的双向长短期记忆神经网络(bidirectional long and short-term memory neural network,BiLSTM)和奇异谱分析的短期风电功率预测模型。首先,采用奇异值分析对历史功率数据进行特征提取,去噪处理减少噪声信息干扰;其次,利用麻雀算法对BiLSTM模型超参数寻优,以BiLSTM为基础构建风电功率预测模型,提高了模型训练效率;最后,采用某风电场的运行数据验证模型精度并对比其他模型验证模型合理性。实验结果表明:改进后的模型相对于基准模型,绝对误差降低了14.2%,均方根误差降低了4.24%,本文所提改进BiLSTM模型具有较好的预测性能,能有效提高短期风电功率预测的精度。
