基于二次分解与TCN-BiGRU-MHCA的超短期风电功率多步区间预测OA

针对风电功率的强随机性与不确定性,为提高超短期风电功率预测的准确性,提出一种基于二次分解与时序卷积网络(temporal convolutional network,TCN)-双向门控循环单元(bidirectional gated recurrent unit,BiGRU)-多头交叉注意力(multi-head cross-attention,MHCA)的超短期风电功率多步分位数回归区间预测方法。首先,利用改进的自适应噪声完备集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)对原始风电功率序列进行初步分解,并对其中高频强非平稳分量采用变分模态分解(variational mode decomposition,VMD),以获取可预测性更优的信号模态;其次,针对传统分位数回归中损失函数尖锐、难以优化的问题,引入平滑函数改进分位数回归,以兼顾模型的复合性和平滑性;最后,将各分解模态输入TCN-BiGRU-MHCA网络,完成直接多步区间预测。西班牙西北部Sotavento风电场算例仿真结果表明,所提模型能够生成高质量多步区间预测结果,在第6步95%置信预测中,区间综合评价指标由对比模型IV-patchTST、IV-TFT的0.1909、0.1405降低至0.1305,预测精度得到显著提升;进一步在我国新疆某风电场数据集上开展跨区域验证,结果表明所提方法在不同地区风电数据上仍具有优异的预测稳定性和区间预测性能。