CEEMD双层分解和Granger因果变量选择风电功率预测
针对风电功率时间序列具有高度随机波动性而无法精准预测的问题,提出一种基于完备集成经验模态分解(CEEMD)、Granger因果关系检验和长短时记忆网络的新型混合预测方法用于预测风电功率.首先,为研究风电功率和风速的隐性相关性,通过CEEMD算法对风电功率和风速时间序列分别进行序列分解,实现双层分解.其次,通过Granger因果关系方法对各风速分量与各风电功率分量进行因果关系检验,分析风电功率分量与各风速分量间的相关性,以此实现各风电功率分量的输入变量选择.最后,采用长短时记忆网络对各风电功率分量进行预测,并集成得到最终的风电功率预测结果.通过风电厂的实际数据进行了试验,并与多个应用广泛的经典模型进行对比,结果表明该方法的预测精度取得了大幅度提高,能够对风电功率实现精准预测.
风电功率预测、完备集成经验模态分解、长短时记忆网络、Granger因果关系检验
49
TM614(发电、发电厂)
宁夏自然科学基金项目;宁夏高等学校科学研究项目
2023-05-24（万方平台首次上网日期，不代表论文的发表时间）
共8页
98-105
