典型文献
基于DLCEEMDAN-SA-TCN和误差修正的短期风电功率预测
文献摘要：
风电功率的精确预测能有效降低并网过程中给电力系统带来的波动,故文章提出一种基于时序分解和误差修正的风电功率预测方法.该方法首先利用最大信息系数法(maximum information coe?cient,MIC)选择出与风电功率相关性强的特征,以降低原始数据的复杂度;然后针对风电功率的非平稳特性,采用双层自适应噪声完备集合经验模态分解(double layers complete ensemble empirical mode decomposition with adaptive noise,DLCEEMDAN)将风电功率分解为若干个平稳的子序列;最后利用融合注意力机制的时间卷积网络(temporal convolutional networks,TCN)对风电多变量时间序列进行动态建模;为进一步提高预测精度,引入轻梯度提升机(light gradient boosting machine,LightGBM)对预测值进行误差修正.结合国内某风电场实测数据进行实验,仿真结果表明,所提方法具有较高的短期风电功率预测精度.
文献关键词：
风电功率预测;双层自适应噪声完备集合经验模态分解;时间卷积网络;误差修正;最大信息系数;轻度量化提升机
中图分类号：
作者姓名：
甄成刚;郭东庆;牛海明
作者机构：
华北电力大学 控制与计算机工程学院,河北 保定 071003;国能智深控制技术有限公司 北京市电站自动化技术研究中心,北京 102200
文献出处：
引用格式：
[1]甄成刚;郭东庆;牛海明-.基于DLCEEMDAN-SA-TCN和误差修正的短期风电功率预测)[J].电力信息与通信技术,2022(05):38-46
A类：
DLCEEMDAN,双层自适应噪声完备集合经验模态分解,轻度量化提升机
B类：
SA,TCN,误差修正,短期风电功率预测,精确预测,并网,电力系统,统带,时序分解,最大信息系数,系数法,maximum,information,coe,cient,MIC,率相关性,原始数据,非平稳特性,double,layers,complete,ensemble,empirical,mode,decomposition,adaptive,noise,功率分解,若干个,子序列,注意力机制,时间卷积网络,temporal,convolutional,networks,多变量时间序列,动态建模,轻梯度提升机,light,gradient,boosting,machine,LightGBM,风电场
AB值：
0.30223
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。
