典型文献
基于游程判别法和VMD残差修正的风电功率预测
文献摘要：
为了提高风电功率预测准确性,提出一种基于频率游程判别法和变分模态分解(VMD)残差修正的风电功率超短期预测模型.采用变分模态分解将原始风电功率序列分解,得到一系列不同中心频率的子序列,再利用序列之差提取残差序列,残差序列继承原始序列噪声分量与分解被屏蔽的真实分量,呈现波动性大,非线性复杂和不平稳的特点,采用t-SSA-LSTM模型并结合天气特征进行预测.利用频率游程判别法把子序列划分为低频分量类和高频分量类:低频分量呈现线性平稳的特点,采用自适应t分布麻雀搜索算法(t-SSA)优化自回归滑动平均模型(ARIMA)预测;高频分量具有波动性大且复杂的特点,采用t-SSA优化长短时记忆神经网络(LSTM)进行预测.将不同序列的预测结果线性叠加得到风电功率预测结果.将该模型应用于国内某风电发电厂的风电功率预测中,试验结果表明,该模型能有效提高预测精度.
文献关键词：
风电功率;长短时记忆神经网络;自回归滑动平均模型;残差;麻雀搜索算法
中图分类号：
作者姓名：
王瑞;冉锋;逯静
作者机构：
河南理工大学电气工程与自动化学院,河南焦作454000;河南理工大学计算机科学与技术学院,河南焦作454000
文献出处：
引用格式：
[1]王瑞;冉锋;逯静-.基于游程判别法和VMD残差修正的风电功率预测)[J].湖南大学学报（自然科学版）,2022(08):128-137
A类：
B类：
游程,判别法,VMD,残差修正,风电功率预测,预测准确性,变分模态分解,超短期预测,序列分解,中心频率,子序列,残差序列,屏蔽,波动性,非线性复杂,SSA,天气特征,把子,低频分量,高频分量,麻雀搜索算法,自回归滑动平均模型,ARIMA,长短时记忆神经网络,线性叠加,加得,模型应用,发电厂
AB值：
0.218984
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
