典型文献
基于CEEMDAN-GRA-PCC-ATCN的短期风电功率预测
文献摘要：
为提高风电功率的预测精度,提出基于数据分解和输入变量选择的短期风电功率预测方法.利用自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)对原始风电功率和风速数据进行分解,平缓数据波动以提取内部隐藏信息.通过排列熵算法(permutation entropy,PE)将风电功率分量简化重构以降低模型复杂度.为提升输入变量与风电功率之间的关联程度,剔除冗杂信息,降低输入数据维度,结合Pearson相关系数(Pearson correlation coefficient,PCC)和灰色关联分析(grey relation analysis,GRA)对各风电重构功率分量的输入变量进行选择.最后利用基于注意力的时序卷积网络(attention-based temporal convolutional network,ATCN)对各重构功率分量进行预测,将各预测值叠加得到最终结果.试验结果表明,基于CEEMDAN-GRA-PCC-ATCN的短期风电功率预测方法能够提取更多风电数据内部的关键信息,降低输入数据的维度,强化输入变量与风电功率之间的关联性,有效提高预测精度.
文献关键词：
风电功率预测;时序卷积网络;自适应噪声完备集成经验模态分解;灰色关联分析;Pearson相关系数;注意力机制
中图分类号：
作者姓名：
武新章;梁祥宇;朱虹谕;张冬冬
作者机构：
广西大学电气工程学院,广西 南宁530004;广西大学计算机与电子信息学院,广西 南宁530004
文献出处：
引用格式：
[1]武新章;梁祥宇;朱虹谕;张冬冬-.基于CEEMDAN-GRA-PCC-ATCN的短期风电功率预测)[J].山东大学学报（工学版）,2022(06):146-156
A类：
ATCN
B类：
CEEMDAN,GRA,PCC,短期风电功率预测,数据分解,输入变量选择,自适应噪声完备集成经验模态分解,complete,ensemble,empirical,mode,decomposition,adaptive,noise,风速数据,隐藏信息,排列熵,permutation,entropy,PE,模型复杂度,关联程度,冗杂,输入数据,数据维度,correlation,coefficient,灰色关联分析,grey,analysis,电重构,时序卷积网络,attention,temporal,convolutional,network,加得,关键信息,注意力机制
AB值：
0.272423
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。
