摘要
近年来，风力发电得到了大力发展。风速作为风力发电的核心因素，对风速进行有效的预测，建立更加精准的风速预测模型，对风力发电的发展显得至关重要。由于风速具有明显的间歇性、不稳定性和不规律性，从而严重影响了风速的预测精度，使得预测结果容易产生较大的偏差。因此，为了提高风速预测的精度，研究者提出了一种基于自适应风速信号分解的混合风速预测模型，对风速进行了有效的预测。研究的主要内容如下： 首先，针对风速数据的处理，为保证风速数据的完整性和降低风速数据中异常值对风速预测模型精度的影响，提出使用局部异常因子算法和K最邻近算法对风电场采集的风速数据进行异常值的筛除和填充；针对具有自适应性的变分模态分解算法存在的参数难以选取的问题，提出使用遗传算法和近似熵对其进行参数寻优，提高了变分模态分解算法的分解效率，减少了风速中不确定性和噪声对风速预测精度的影响。 其次，针对传统的风速预测模型长短期记忆神经网络存在注意力分散和不能充分利用时间序列未来信息的问题，提出对基于注意力机制的EA-LSTM进行改进，最终得到具有注意力机制和可以充分利用时间序列未来信息的风速预测模型EA-BiLSTM，有效解决了这些问题。 最后，针对风速预测模型产生的误差序列容易被忽略的问题，为充分利用误差序列所包含的特征信息，提出对预测模型产生的误差序列进行EA-BiLSTM建模、训练和预测，并将误差序列的预测结果作为最终风速预测结果的一部分，构建了混合风速预测模型AE-GA-VMD-EA-BiLSTM-E。 实验结果表明:1）使用局部异常因子和K最临近算法可以有效的减少风速数据中的异常值。2）使用近似熵作为目标函数对变分模态分解的参数进行优化，可以有效提高变分模态分解算法的分解效率。3）EA-BiLSTM可以有效解决传统模型LSTM存在注意力分散和不能充分利用时间序列未来信息的缺点。4）本研究提出的AE-GA-VMD-EA-BiLSTM-E模型可以有效提高风速预测精度。
NETL