MP-WOA优化协同二次分解下的超短期风电功率预测OA

针对风电功率的非平稳性导致传统预测模型难以精确捕捉其变化规律引起预测精度不足的问题,提出一种基于“二次分解-预测”协同优化的新型预测框架。该框架通过设计引入混沌映射以及精英引导权重的多参数鲸鱼优化算法(multi-parameter whale optimization algorithm,MP-WOA)实现了变分模态分解(variational mode decomposition,VMD)参数的自适应匹配。结合完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)实现功率序列的自适应多尺度解析,形成具有物理可解释性的多尺度特征表达。设计时空注意力融合网络,通过双向长短期记忆网络捕捉分解特征的局部动态模式,利用高效时序预测模型建立功率序列与环境参数的全局依赖关系。采用实际的风电场数据集进行实验,相较于传统的风电功率预测方法,所提框架在高波动情况下表现出更强的优越性和鲁棒性,为复杂环境下的风电功率预测提供了新思路。