典型文献
基于时序分解及机器学习的风电功率组合预测模型
文献摘要：
精准的风电功率预测结果可保障电网在安全稳定运行条件下提高风电并网容量.为提高风电功率预测精度,融合时间序列分解技术、机器学习及启发式算法提出一种风电功率双层组合预测模型.首先,构建经验模态分解技术和长短期记忆神经网络相结合(empirical mode decomposition combined with long short term memory network, EMD-LSTM)的预测模型.同时,构建变分模态分解技术、模拟退火算法及深度置信网络相结合(variational mode decomposition,simulated annealing combined with deep belief network,VMD-SA-DBN)的预测模型.并将已构建的EMD-LSTM及VMD-SA-DBN模型作为组合预测模型上层的基础预测模型.其次,利用极端梯度提升算法构建下层预测模型,并将上层2个基础预测模型的预测结果输入到下层预测模型,以得到最终的预测结果.最后,利用实测数据对此算法的有效性进行验证.证明所提出的双层组合预测模型较单一预测模型具有更高的预测精度.
文献关键词：
风电功率预测;经验模态分解;变分模态分解;长短期记忆神经网络;深度置信网络;极端梯度提升
中图分类号：
作者姓名：
赵冬梅;杜刚;刘鑫;吴志强;李超
作者机构：
华北电力大学电气与电子工程学院,北京市昌平区 102206;国网吉林省电力有限公司长春供电公司,吉林省长春市 130000;国网吉林省电力有限公司培训中心,吉林省长春市 130000
文献出处：
引用格式：
[1]赵冬梅;杜刚;刘鑫;吴志强;李超-.基于时序分解及机器学习的风电功率组合预测模型)[J].现代电力,2022(01):9-18,中插1
A类：
B类：
时序分解,组合预测模型,风电功率预测,安全稳定运行,运行条件,风电并网,时间序列分解,分解技术,启发式算法,双层组合,经验模态分解,长短期记忆神经网络,empirical,mode,decomposition,combined,long,short,term,memory,network,EMD,变分模态分解,模拟退火算法,深度置信网络,variational,simulated,annealing,deep,belief,VMD,SA,DBN,极端梯度提升算法
AB值：
0.241664
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。
