为了提高超短期风电功率的预测精度,提出了一种基于COOT算法优化的变分模态分解(VMD)、分层主成分分析(hierarchical principal components analysis,HPCA)与门控循环单元神经网络(GRU)的组合预测模型。首先,利用能量差值法确定变分模...为了提高超短期风电功率的预测精度,提出了一种基于COOT算法优化的变分模态分解(VMD)、分层主成分分析(hierarchical principal components analysis,HPCA)与门控循环单元神经网络(GRU)的组合预测模型。首先,利用能量差值法确定变分模态分解子模态数,从而将具有强非线性的原始功率序列分解为一组相对平稳的子模态。其次,利用灰色关联度分析计算高维气象特征与功率序列的关联度值并进行排序分层,利用主成分分析提取各分层特征变量的第一主成分,实现对高维气象特征的降维。最后,引入COOT算法对门控循环单元预测模型的超参数进行优化,加速模型收敛速度,提高模型预测精度。对贵州某风电场的实测数据进行仿真分析,结果表明:相较于传统GRU模型的预测结果,所提方法的均方根误差、平均绝对误差、平均绝对百分误差分别下降了67.41%、72.25%、45.69%,且预测精度高于其他4种组合预测模型,有效提高了超短期风电功率预测精度。展开更多
文摘为了提高超短期风电功率的预测精度,提出了一种基于COOT算法优化的变分模态分解(VMD)、分层主成分分析(hierarchical principal components analysis,HPCA)与门控循环单元神经网络(GRU)的组合预测模型。首先,利用能量差值法确定变分模态分解子模态数,从而将具有强非线性的原始功率序列分解为一组相对平稳的子模态。其次,利用灰色关联度分析计算高维气象特征与功率序列的关联度值并进行排序分层,利用主成分分析提取各分层特征变量的第一主成分,实现对高维气象特征的降维。最后,引入COOT算法对门控循环单元预测模型的超参数进行优化,加速模型收敛速度,提高模型预测精度。对贵州某风电场的实测数据进行仿真分析,结果表明:相较于传统GRU模型的预测结果,所提方法的均方根误差、平均绝对误差、平均绝对百分误差分别下降了67.41%、72.25%、45.69%,且预测精度高于其他4种组合预测模型,有效提高了超短期风电功率预测精度。
