基于自适应分解与频域增强iTransformer的短期风电功率预测OA

为提高风电功率预测在复杂波动、多变量和强周期条件下的准确性,提出一种融合自适应信号分解与频域增强iTransformer的预测方法。首先,利用霜冰优化算法(rime ice optimization algorithm,RIME)对变分模态分解(variational mode decomposition,VMD)的模态数与惩罚因子进行自适应寻优,对原始风电功率序列进行分解。随后引入样本熵(sample entropy,SE)对分解得到的模态分量进行重构,以降低输入维度并抑制噪声干扰。在预测阶段,构建基于iTransformer的iFANformer模型,通过以傅里叶分析网络(Fourier analysis networks,FAN)替代前馈结构,引入可学习频率特征以增强对序列周期特征的刻画能力。最后,基于实际风电场运行数据开展对比实验与消融分析。结果表明,所提方法在预测精度上优于对比模型,验证了自适应分解与频域增强策略的有效性。