计算机应用

作者：孟鑫禹, 王睿涵, 张喜平, 王明杰, 丘刚, 王政霞

单位：1. 重庆交通大学 信息科学与工程学院, 重庆 400074;2. 中国大唐集团新能源科学技术研究院有限公司, 北京 100043;3. 积成电子股份有限公司, 济南 250104;4. 国网新疆电力公司, 乌鲁木齐 830002;5. 海南大学 计算机与网络空间安全学院, 海口 570228

关键词：风功率超短期预测,经验模态分解,神经网络,卷积,门控循环单元,特征融合

基金：重庆市自然科学基金资助项目（cstc2018jcyjAX0398）；海南大学科研启动基金资助项目（KYQD（ZR）20022）。

风功率预测是实现风电场监控及信息化管理的重要基础，风功率超短期预测常用于平衡负荷、优化调度，对预测精度有较高的要求。由于风电场环境复杂、风速不确定性因素较多，风功率时序信号往往具有非平稳性和随机性。循环神经网络（RNN）适用于时间序列任务，但无周期、非平稳的时序信号会增加网络学习的难度。为了克服非平稳信号在预测任务中的干扰，提高风功率预测精度，提出了一种结合经验模态分解与多分支神经网络的超短期风功率预测方法。首先将原始风功率时序信号通过经验模态分解（EMD）以重构数据张量，然后用卷积层和门控循环单元（GRU）层分别提取局部特征和趋势特征，最后通过特征融合与全连接层得到预测结果。在内蒙古某风场实测数据集上的实验结果表明，与差分整合移动平均自回归（ARIMA）模型相比，所提方法在预测精度方面有将近30%的提升，验证了所提方法的有效性。

来源：2021年第1期

《计算机应用》期刊编辑部

查看计算机应用杂志2021年第1期