基于CEEMDAN?TCN的短期風(fēng)電功率預(yù)測(cè)研究

摘" 要： 風(fēng)力發(fā)電作為可再生能源的重要組成部分，在電力系統(tǒng)規(guī)劃和日常運(yùn)行中扮演著重要的角色，準(zhǔn)確的短期風(fēng)電功率預(yù)測(cè)對(duì)于電網(wǎng)的穩(wěn)定運(yùn)行和優(yōu)化調(diào)度具有重要意義。為提高短期風(fēng)電功率預(yù)測(cè)的準(zhǔn)確性，提出一種基于自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解和時(shí)間卷積網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)方法。首先利用自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)初始風(fēng)電功率數(shù)據(jù)進(jìn)行分解，得到多個(gè)相對(duì)穩(wěn)定的子數(shù)據(jù)序列；然后將其分別作為時(shí)間卷積網(wǎng)絡(luò)的輸入，利用時(shí)間卷積網(wǎng)絡(luò)模型進(jìn)行特征提取和功率預(yù)測(cè)；最后將所有預(yù)測(cè)值進(jìn)行匯總，得到最終的功率預(yù)測(cè)值。使用寧夏某地區(qū)真實(shí)風(fēng)電功率數(shù)據(jù)進(jìn)行驗(yàn)證，并與傳統(tǒng)預(yù)測(cè)模型比較，結(jié)果表明所提方法具有較高的預(yù)測(cè)精度，可為風(fēng)電功率短期預(yù)測(cè)等相關(guān)工作提供相關(guān)參考。

關(guān)鍵詞： 短期風(fēng)電功率預(yù)測(cè)； 自適應(yīng)噪聲的完備集合經(jīng)驗(yàn)?zāi)B(tài)分解（CEEMDAN）； 時(shí)間卷積網(wǎng)絡(luò)（TCN）； 特征提??； 預(yù)測(cè)精度； 時(shí)間序列分析

中圖分類號(hào)： TN911.23?34" " " " " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " " "文章編號(hào)： 1004?373X（2025）02?0097?06

Research on short?term wind power forecasting based on CEEMDAN?TCN

LI Ao， RAN Huajun， LI Linwei， WANG Xinquan， GAO Yue

（College of Electrical Engineering and New Energy， China Three University， Yichang 443002， China）

Abstract： Wind power generation， as an important component of renewable energy， plays a crucial role in power system planning and daily operation. Therefore， accurate short?term wind power forecasting is crucial for the stable operation and optimized scheduling of electrical grids. In order to enhance the precision of short?term wind power forecasting， a method of short?term wind power forecasting based on complete ensemble empirical mode decomposition with adaptive noise （CEEMDAN） and temporal convolutional networks （TCN） is proposed. The CEEMDAN is used to decompose the initial wind power data， so as to obtain multiple several relatively stable sub?data sequences. The sub?data sequences are used as inputs for TCN， and the TCN model is used to conduct the feature extraction and power forecasting. All predicted values are aggregated to obtain the final power prediction value. The proposed method is verified by the real wind power data from a certain region in Ningxia， and compared with traditional prediction models. The results indicate that the proposed method has high prediction accuracy and can provide relevant references for short?term wind power forecasting and other related work.

Keywords： short?term wind power forecasting; complete ensemble empirical mode decomposition with adaptive noise; temporal convolutional network; feature extraction; prediction accuracy; time series analysis

0" 引" 言

風(fēng)能作為一種重要的低碳、可再生能源，在能源行業(yè)中獲得了廣泛的應(yīng)用[1]。然而，風(fēng)力發(fā)電的高隨機(jī)性和強(qiáng)波動(dòng)性給風(fēng)電并網(wǎng)造成了不利的影響[2]，因此提高風(fēng)電功率預(yù)測(cè)的準(zhǔn)確性對(duì)于電力系統(tǒng)穩(wěn)定運(yùn)行具有重要意義。

目前國(guó)內(nèi)外常用的風(fēng)電功率預(yù)測(cè)方法主要有物理法、統(tǒng)計(jì)法、人工智能法和組合模型法[3]。物理法通過(guò)建立風(fēng)電場(chǎng)及外界環(huán)境與風(fēng)電功率之間的物理模型進(jìn)行預(yù)測(cè)[4]，但其受風(fēng)電機(jī)組模型參數(shù)和外界環(huán)境影響較大，預(yù)測(cè)精度較低。統(tǒng)計(jì)法通過(guò)建立風(fēng)速、風(fēng)向等歷史信息與功率之間的對(duì)應(yīng)關(guān)系，實(shí)現(xiàn)對(duì)未來(lái)發(fā)電情況的預(yù)測(cè)，常見預(yù)測(cè)方法有移動(dòng)平均法、自回歸差分移動(dòng)平均法[5]、卡爾曼濾波法[6]。統(tǒng)計(jì)法可以利用豐富的歷史數(shù)據(jù)對(duì)功率的變化趨勢(shì)進(jìn)行有效捕捉，但其難以應(yīng)對(duì)數(shù)據(jù)間復(fù)雜的非線性關(guān)系和突發(fā)事件。人工智能法通過(guò)機(jī)器學(xué)習(xí)算法進(jìn)行預(yù)測(cè)，如支持向量機(jī)[7]、長(zhǎng)短期記憶（Long Short Term Memory， LSTM）網(wǎng)絡(luò)[8]等。隨著風(fēng)電功率預(yù)測(cè)領(lǐng)域的發(fā)展，單一模型的預(yù)測(cè)精準(zhǔn)度明顯不能滿足當(dāng)前風(fēng)電并網(wǎng)要求，組合模型法逐漸被學(xué)者們運(yùn)用到風(fēng)電功率預(yù)測(cè)中。文獻(xiàn)[9]利用小波分析法對(duì)風(fēng)速的時(shí)間序列進(jìn)行分解，并結(jié)合BP神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)對(duì)未來(lái)功率的預(yù)測(cè)，提高了預(yù)測(cè)精度。但小波分解法在捕捉非線性和復(fù)雜的動(dòng)態(tài)特性時(shí)存在一定的局限性。文獻(xiàn)[10]通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解（Empiricial Mode Decomposition， EMD）對(duì)歷史風(fēng)電功率數(shù)據(jù)進(jìn)行分解，并利用徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，但EMD可能會(huì)出現(xiàn)模態(tài)混疊現(xiàn)象，導(dǎo)致預(yù)測(cè)精度不準(zhǔn)確。文獻(xiàn)[11?12]通過(guò)集合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empiricial Mode Decomposition， EEMD）算法對(duì)風(fēng)電功率歷史數(shù)據(jù)進(jìn)行分解，最后分別利用最小二乘支持向量機(jī)（Least Squares Support Vector Machine， LSSVM）和小波神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)。但EEMD算法在處理信號(hào)時(shí)依然存在子序列模態(tài)混疊問題，且白噪聲難以消除。文獻(xiàn)[13]將改進(jìn)的EEMD和最小絕對(duì)收縮選擇算法與量子回歸網(wǎng)絡(luò)相結(jié)合進(jìn)行功率預(yù)測(cè)，有效解決了模態(tài)混疊問題，但分解子序列中仍存在輔助噪聲，影響了預(yù)測(cè)的精準(zhǔn)度。

綜上所述，為提高短期風(fēng)電功率預(yù)測(cè)的準(zhǔn)確性，本文提出一種基于自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise， CEEMDAN）和時(shí)間卷積網(wǎng)絡(luò)（Temporal Convolutional Network， TCN）的短期風(fēng)電功率預(yù)測(cè)方法。采用CEEMDAN將原始風(fēng)電功率數(shù)據(jù)分解為多個(gè)相對(duì)平穩(wěn)的子序列，以提高對(duì)原始數(shù)據(jù)信息的提取效果；然后將各個(gè)序列分別輸入TCN模型進(jìn)行特征提取和預(yù)測(cè)；最后將預(yù)測(cè)結(jié)果匯總，得到最終的預(yù)測(cè)結(jié)果。通過(guò)將本文所提出的預(yù)測(cè)方法與其他傳統(tǒng)預(yù)測(cè)方法相比較，得出CEEMDAN?TCN模型具有更高的預(yù)測(cè)精度。

1" 模型原理

1.1" 自適應(yīng)噪聲的完備集合經(jīng)驗(yàn)?zāi)B(tài)分解

基于自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解（CEEMDAN）作為一種具有自適應(yīng)特點(diǎn)的數(shù)據(jù)預(yù)處理算法，是基于EMD方法的改進(jìn)。相較于EMD方法，CEEMDAN方法能夠不斷對(duì)可繼續(xù)分解序列引入有限次的自適應(yīng)高斯白噪聲，然后再對(duì)引入白噪聲后的序列進(jìn)行EMD分解，從而有效解決EMD算法易出現(xiàn)波形混疊的問題，并降低重構(gòu)誤差，提高計(jì)算效率[13]。該算法將原始風(fēng)電功率數(shù)據(jù)分解成一組本征模態(tài)函數(shù)（Intrinsic Mode Function， IMF）和殘差分量（Residual， RES），分解所得的IMF代表了不同尺度上的變化特征[14]，能夠很好地處理非線性和非平穩(wěn)的風(fēng)電功率數(shù)據(jù)，并且可以更好地捕捉風(fēng)電功率數(shù)據(jù)的局部特性。其算法原理如下：定義[y（t）]為待分解信號(hào)，設(shè)[Ei（·）]為通過(guò)EMD分解后所得到的第[i]個(gè)IMF分量，[Ci（t）]是通過(guò)CEEMDAN分解所得到的第[i]個(gè)IMF，[vk]為滿足標(biāo)準(zhǔn)正態(tài)分布的高斯白噪聲信號(hào)，[k=1，2，…，N]為加入白噪聲次數(shù)，[ε0]為白噪聲的標(biāo)準(zhǔn)表，即噪聲系數(shù)，[r]表示殘差分量。

1） 將[N]組正負(fù)成對(duì)的高斯白噪聲加入到待分解信號(hào)[y（t）]，得到新信號(hào)[y（t）+（-1）qε0vk（t）]，其中[q=1，2]。對(duì)新信號(hào)進(jìn)行EMD分解，得到第一階本征模態(tài)分量[C1]。

[E（y（t）+（-1）qε0vk（t））=Ck1（t）+rk] （1）

2） 對(duì)產(chǎn)生的[n]個(gè)IMF進(jìn)行總體平均得到CEEMDAN的第1個(gè)IMF：

[C1（t）=1Nk=1NCk1（t）] （2）

3） 計(jì)算第1個(gè)殘差[r1（t）]。

[r1（t）=y（t）-C1（t）] （3）

4） 在[r1（t）]中加入正負(fù)成對(duì)的高斯白噪聲得到新信號(hào)，并對(duì)所得新信號(hào)進(jìn)行EMD分解，得到模態(tài)分量[D1]，重復(fù)計(jì)算[N]次并進(jìn)行平均，由此可以得到CEEMDAN的第2個(gè)IMF：

[C2（t）=1Nk=1NDk1（t）] （4）

5） 計(jì)算第2個(gè)殘差[r2（t）]。

[r2（t）=r1（t）-C2（t）] （5）

6） 重復(fù)以上步驟，直到所獲得的殘差信號(hào)為單調(diào)信號(hào)且不能繼續(xù)分解，算法結(jié)束。此時(shí)得到的IMF數(shù)量為[m]，則原始信號(hào)[y（t）]被分解為：

[y（t）=m=1MCm（t）+rm（t）] （6）

1.2" 時(shí)間卷積網(wǎng)絡(luò)

時(shí)間卷積網(wǎng)絡(luò)（Temporal Convolutional Network， TCN）是一種處理時(shí)間序列數(shù)據(jù)的深度學(xué)習(xí)模型，相比于LSTM，在參數(shù)效率方面因?yàn)門CN采用擴(kuò)張卷積來(lái)增加感受野，使得TCN通常具有比LSTM更少的參數(shù)。計(jì)算效率方面，因TCN通過(guò)擴(kuò)張卷積來(lái)捕捉長(zhǎng)期依賴，避免了LSTM中的順序依賴，使得TCN在大規(guī)模數(shù)據(jù)集上的訓(xùn)練更加有效。TCN主要由因果卷積、膨脹因果卷積和殘差塊三部分構(gòu)成[15]。

1） 因果卷積。TCN在處理時(shí)間序列任務(wù)時(shí)，要求模型在預(yù)測(cè)未來(lái)值時(shí)不能使用未來(lái)的信息，即必須保持因果性，因此，TCN采用了一維全卷積網(wǎng)絡(luò)和因果卷積。假設(shè)給定一個(gè)序列[X=（x1，x2，…，xt）]，則在[xt]處的因果卷積為：

[F?Xt=k=1Kfk?xt-k+1] （7）

式中：[F=f1，f2，…，fK]為濾波器大?。籟K]為濾波器長(zhǎng)度；“[?]”為提取特征信息的卷積操作；[fk]為第[k]個(gè)元素的卷積核。

2） 膨脹因果卷積。如上述所知，單一的因果卷積操作依然存在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)間的建模長(zhǎng)度受限于卷積核大小的問題，特別是在獲取較長(zhǎng)時(shí)間序列的長(zhǎng)期依賴關(guān)系時(shí)，會(huì)因需要堆疊的隱藏層層數(shù)增多而出現(xiàn)參數(shù)過(guò)多的問題。因此，TCN采用了膨脹因果卷積的方法來(lái)解決該問題，該卷積方法是在因果卷積映射的基礎(chǔ)上增加一個(gè)控制卷積操作的參數(shù)——膨脹因子來(lái)增加感受野，其內(nèi)部結(jié)構(gòu)圖如圖1所示。假設(shè)給定一個(gè)序列[X=x1，x2，…，xt]，則在[xt]處的因果卷積為：

[Fd?Xxt=k=1Kfkxt-K-kd] （8）

式中[d]為膨脹因子。

3） 殘差塊。為了解決引入膨脹因果卷積帶來(lái)的梯度消失或爆炸問題[16]，在TCN的輸出層引入殘差塊，其原理是將模型的輸入[x]與輸出[Fx]融合，實(shí)現(xiàn)跨層傳播。TCN殘差模塊結(jié)構(gòu)如圖2所示，引入殘差塊使得網(wǎng)絡(luò)不僅僅學(xué)習(xí)輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的映射關(guān)系，還學(xué)習(xí)輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的殘差，最終得到TCN的輸出[y]。

[y=Activationx+Fx] （9）

式中[Activation]為激活函數(shù)。

1.3" 長(zhǎng)短期記憶網(wǎng)絡(luò)

長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)是由Hochreiter提出的一個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)的變體[17]。LSTM在RNN的基礎(chǔ)上引入了控制信息輸入的遺忘門、輸入門、輸出門三種門結(jié)構(gòu)，其算法過(guò)程如下：

[ft=σWfht-1，xt+bf] （10）

[it=σWiht-1，xt+bi] （11）

[ot=σWoht-1，xt+bo] （12）

[ct=tanhWcht-1，xt+bc] （13）

[ct=ftct-1+itct] （14）

[ht=ottanhct] （15）

式中：[Wf]、[Wi]、[Wo]、[Wc]分別代表遺忘門、輸入門、輸出門、記憶單元的權(quán)值向量；[bf]、[bi]、[bo]、[bc]分別代表遺忘門、輸入門、輸出門、記憶單元的偏置向量。

2" 基于CEEMDAN?TCN的短期風(fēng)電功率預(yù)測(cè)模型

2.1" CEEMDAN?TCN模型構(gòu)建

CEEMDAN?TCN模型的結(jié)構(gòu)如圖3所示，計(jì)算步驟如下。

步驟1：通過(guò)CEEMDAN方法對(duì)原始風(fēng)電功率數(shù)據(jù)進(jìn)行預(yù)處理，以避免原始序列的非平穩(wěn)性對(duì)分析模型產(chǎn)生的負(fù)面影響，將其分解為多個(gè)穩(wěn)定的本征模態(tài)分量以及1個(gè)殘差分量。

步驟2：對(duì)步驟1所得到的每個(gè)子序列進(jìn)行歸一化處理，使用滑動(dòng)窗口方法對(duì)每個(gè)子序列建立TCN模型并進(jìn)行預(yù)測(cè)，再使用優(yōu)化算法來(lái)調(diào)整TCN模型的超參數(shù)。

步驟3：將經(jīng)TCN模型預(yù)測(cè)后的每個(gè)IMF分量和殘差分量相加，以得到原始信號(hào)的完整預(yù)測(cè)值。

2.2" 模型評(píng)價(jià)指標(biāo)

為定量驗(yàn)證模型的預(yù)測(cè)效果，本文采用均方誤差（Mean Square Error， MSE）、平均絕對(duì)誤差（Mean Absolute Error， MAE）、均方根誤差（Root Mean Square Error， RMSE）、決定系數(shù)（R2）對(duì)模型的預(yù)測(cè)精度進(jìn)行評(píng)價(jià)。其中，MSE、MAE、RMSE主要用于衡量預(yù)測(cè)值和實(shí)際值之間的差異，其值越小，表明預(yù)測(cè)值與實(shí)際值之間的誤差越小，模型預(yù)測(cè)準(zhǔn)確度越高；R2用于評(píng)估模型擬合程度，范圍為0～1，R2越接近于1，則表明模型預(yù)測(cè)值與實(shí)際值之間的擬合效果越好，預(yù)測(cè)精準(zhǔn)度越高。MSE、MAE、RMSE以及R2的計(jì)算公式如下：

[MSE=1N′i=1N′yi-yi2] （16）

[MAE=1N′i=1N′yi-yi] （17）

[RMSE=1N′i=1N′yi-yi] （18）

[R2=1-i=1N′yi-yi2i=1N′yi-yi2] （19）

式中：[N′]為預(yù)測(cè)樣本數(shù)量；[yi]為樣本真實(shí)值；[yi]為樣本預(yù)測(cè)值；[yi]為樣本平均值。

3" 算例分析

3.1" CEEMDAN分解

為驗(yàn)證本文所提出的CEEMDAN?TCN方法對(duì)風(fēng)電功率預(yù)測(cè)的可行性，以寧夏某風(fēng)電場(chǎng)為研究對(duì)象，采集時(shí)間跨度為2021?01?01T00：00—2021?06?01T23：45的風(fēng)電功率數(shù)據(jù)，設(shè)定每15 min進(jìn)行一次數(shù)據(jù)采樣，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理后，刪除風(fēng)電功率為0 MW的數(shù)據(jù)，得出風(fēng)電功率時(shí)間序列曲線，如圖4所示，共計(jì)12 988組數(shù)據(jù)，其中訓(xùn)練集為10 182組，驗(yàn)證集為2 546組，測(cè)試集為260組。

選用CEEMDAN方法對(duì)處理后的風(fēng)電功率序列進(jìn)行分解，得到12個(gè)IMF分量和1個(gè)RES分量，分解結(jié)果如圖5所示，明顯可以看出風(fēng)電功率數(shù)據(jù)經(jīng)CEEMDAN方法分解后，所得出的子數(shù)據(jù)序列波逐漸趨于平緩。因此，CEEMDAN分解能夠有效降低風(fēng)電功率序列的非平穩(wěn)性，更加有利于后續(xù)模型的處理工作。

3.2" TCN模型參數(shù)設(shè)置

為提高TCN模型的預(yù)測(cè)精度，本文采用控制變量，根據(jù)預(yù)測(cè)結(jié)果調(diào)整TCN模型參數(shù)，最終將TCN模型濾波器數(shù)量設(shè)定為64，卷積核大小設(shè)定為2，膨脹因子設(shè)定為1、2、4、8，模型優(yōu)化算法采用Adam，初始學(xué)習(xí)率設(shè)定為0.001，迭代次數(shù)設(shè)定為100。對(duì)比模型LSTM參數(shù)與TCN模型參數(shù)設(shè)定相似，迭代次數(shù)也為100次。本文開發(fā)環(huán)境為Python 3.9，Tensorflow版本為2.12.0。

3.3" 對(duì)比分析

為了證實(shí)本文所提出的CEEMDAN?TCN組合模型對(duì)于風(fēng)電功率預(yù)測(cè)的有效性與準(zhǔn)確性，研究選用了TCN模型、LSTM模型以及結(jié)合CEEMDAN的LSTM模型（CEEMDAN?LSTM）3種預(yù)測(cè)模型作為對(duì)照組進(jìn)行對(duì)比實(shí)驗(yàn)分析，采用MSE、RMSE、MAE、R2指標(biāo)對(duì)4種模型的預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)，結(jié)果如表1所示，預(yù)測(cè)值和真實(shí)值對(duì)比結(jié)果如圖6所示。

由表1可知，4種模型均具有較好的預(yù)測(cè)效果，但與TCN、LSTM和CEEMDAN?LSTM三種模型相比，本文所提出的CEEMDAN?TCN模型的MSE、RMSE和MAE評(píng)價(jià)指標(biāo)值明顯更低，R2的值更接近于1，模型擬合效果更好，預(yù)測(cè)精度得到了明顯的提升。其次，結(jié)合圖6可知，TCN模型的預(yù)測(cè)效果優(yōu)于LSTM模型，相較于LSTM模型，MSE降低了21.32%，RMSE降低了11.30%，MAE降低了11.88%，R2上升了1.46%，說(shuō)明與LSTM模型相比，TCN模型具有更強(qiáng)大的特征提取和擬合能力，但是相比于另外兩種組合模型，單一的TCN模型在峰值和低谷的預(yù)測(cè)能力明顯欠佳，因此對(duì)于突發(fā)事件的預(yù)測(cè)會(huì)有較大偏差。

CEEMDAN?LSTM模型相較于單一的LSTM模型，預(yù)測(cè)效果明顯提升，MSE、RMSE和MAE分別降低了69.99%、38.29%和51.50%，R2上升了3.36%，并且CEEMDAN?LSTM模型對(duì)于功率峰值的預(yù)測(cè)較好，但對(duì)于波谷的波動(dòng)仍無(wú)法進(jìn)行有效的預(yù)測(cè)。

而本文所提出的CEEMDAN?TCN模型相較于LSTM、TCN和CEEMDAN?LSTM三種模型，MSE分別減少了75.62%、69.02%、18.77%，RMSE分別減少了48.51%、41.96%、16.56%，MAE分別減少了66.82%、62.35%、31.59%，R2分別上升了5.03%、3.52%、1.62%。并且由預(yù)測(cè)值與真實(shí)值的對(duì)比圖可知，CEEMDAN?TCN預(yù)測(cè)精度最高，對(duì)功率峰值和波谷方面的預(yù)測(cè)依然具有較好的預(yù)測(cè)效果，能夠更加準(zhǔn)確地預(yù)測(cè)突發(fā)事件。綜上所述，本文所提方法在短期風(fēng)電功率預(yù)測(cè)方面具有一定的優(yōu)越性。

4" 結(jié)" 語(yǔ)

本文針對(duì)風(fēng)電功率數(shù)據(jù)高隨機(jī)性和強(qiáng)波動(dòng)性導(dǎo)致預(yù)測(cè)精度不高的問題，將自適應(yīng)噪聲的完備集合經(jīng)驗(yàn)?zāi)B(tài)分解和時(shí)間卷積網(wǎng)絡(luò)結(jié)合，提出一種基于CEEMDAN?TCN的短期風(fēng)電功率預(yù)測(cè)方法，通過(guò)實(shí)驗(yàn)分析得出以下結(jié)論。

1） 通過(guò)CEEMDAN將非線性、非平穩(wěn)性的風(fēng)電功率數(shù)據(jù)分解為較為穩(wěn)定的子序列，降低了原始風(fēng)電功率序列數(shù)據(jù)的不穩(wěn)定性，從而有效提升了數(shù)據(jù)質(zhì)量，使后續(xù)進(jìn)行特征提取和預(yù)測(cè)的效果得到明顯提高。

2） 通過(guò)對(duì)比TCN模型和LSTM模型的預(yù)測(cè)結(jié)果，得出TCN模型具有更強(qiáng)的特征提取和預(yù)測(cè)能力，但對(duì)于功率峰值和波谷的預(yù)測(cè)效果較差。

3） 在短期風(fēng)電功率預(yù)測(cè)方面，本文所提出的CEEMDAN?TCN模型相較于LSTM、TCN、CEEMDAN?LSTM模型預(yù)測(cè)精度最高，預(yù)測(cè)效果最好，對(duì)功率峰值和波谷的預(yù)測(cè)也同樣最準(zhǔn)確，說(shuō)明了該模型在短期風(fēng)電功率預(yù)測(cè)方面的有效性。

注：本文通訊作者為李敖。

參考文獻(xiàn)

[1] 周孝信，陳樹勇，魯宗相，等.能源轉(zhuǎn)型中我國(guó)新一代電力系統(tǒng)的技術(shù)特征[J].中國(guó)電機(jī)工程學(xué)報(bào)，2018，38（7）：1893?1904.

[2] 程?；ǎ苡?，周琳，等.面向清潔能源消納的流域型風(fēng)光水多能互補(bǔ)基地協(xié)同優(yōu)化調(diào)度模式與機(jī)制[J].電力自動(dòng)化設(shè)備，2019，39（10）：61?70.

[3] 楊國(guó)華，祁鑫，賈睿，等.基于CEEMD?SE的CNNamp;LSTM?GRU短期風(fēng)電功率預(yù)測(cè)[J].中國(guó)電力，2024，57（2）：55?61.

[4] 牛東曉，紀(jì)會(huì)爭(zhēng).風(fēng)電功率物理預(yù)測(cè)模型引入誤差量化分析方法[J].電力系統(tǒng)自動(dòng)化，2020，44（8）：57?65.

[5] 丁藤，馮冬涵，林曉凡，等.基于修正后ARIMA?GARCH模型的超短期風(fēng)速預(yù)測(cè)[J].電網(wǎng)技術(shù)，2017，41（6）：1808?1814.

[6] 秦磊，董海鷹，王潤(rùn)杰.基于卡爾曼濾波和模型預(yù)測(cè)控制的混合儲(chǔ)能平抑風(fēng)電功率波動(dòng)策略[J].電網(wǎng)技術(shù)，2024，48（10）：4286?4297.

[7] HABIB A， ABBASSI R， ARISTIZáBAL J A， et al. Forecasting model for wind power integrating least squares support vector machine， singular spectrum analysis， deep belief network， and locality‐sensitive hashing [J]. Wind energy， 2020， 23（2）： 235?257.

[8] 王煒，劉宏偉，陳永杰，等.基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電預(yù)測(cè)[J].可再生能源，2020，38（9）：1187?1191.

[9] 陶虎，文智江，吳曉銳.基于小波分析和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)算法[J].廣西電力，2022，45（2）：1?6.

[10] 王佶宣，鄧斌，王江.基于經(jīng)驗(yàn)?zāi)B(tài)分解與RBF神經(jīng)網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2020，32（11）：109?115.

[11] 王賀，胡志堅(jiān)，陳珍，等.基于集合經(jīng)驗(yàn)?zāi)B(tài)分解和小波神經(jīng)網(wǎng)絡(luò)的短期風(fēng)功率組合預(yù)測(cè)[J].電工技術(shù)學(xué)報(bào)，2013，28（9）：137?144.

[12] LIANG Z T， LIANG J， ZHANG L， et al. Analysis of multi?scale chaotic characteristics of wind power based on Hilbert?Huang transform and Hurst analysis [J]. Applied energy， 2015， 159： 51?61.

[13] HE Y Y， WANG Y. Short?term wind power prediction based on EEMD?LASSO?QRNN model [J]. Applied soft computing， 2021， 105： 107288.

[14] 宿磊，沈煜，楊帆，等.融合CEEMDAN分解與敏感IMF精選的串聯(lián)電弧故障檢測(cè)[J].電子測(cè)量與儀器學(xué)報(bào)，2022，36（10）：173?180.

[15] GAO B， HUANG X， SHI J， et al. Hourly forecasting of solar irradiance based on CEEMDAN and multi?strategy CNN?LSTM neural networks [J]. Renewable energy， 2020， 162： 1665?1683.

[16] LIU Q， CHE X， BIE M. R?STAN： residual spatial?temporal attention network for action recognition [J]. IEEE access， 2019（7）： 82246?82255.

[17] PRASHANT K， ANANDA S H. Dilated convolutional neural network based model for bearing faults and broken rotor bar detection in squirrel cage induction motors [J]. Expert system application， 2022， 191： 116290.

[18] HU C J， ZHAO Y， JIANG H， et al. Prediction of ultra?short?term wind power based on CEEMDAN?LSTM?TCN [J]. Energy reports， 2022， 8： 483?492.