基于GAVMD-SGRU模型的风电场短期功率预测

为避免风电输出功率的波动性和不确定性对电网运行的影响,提出一种改进变分模态分解算法和集成门控循环神经网络的组合模型应用于风电场的短期功率预测.该方法首先针对单个GRU(Gated Recurrent Unit)模型预测精度低,预测不稳定的问题,利用Stacking算法进行融合并建立SGRU (Stacking-GRU)预测模型.其次针对VMD(Variational Modal Decomposition)分解算法中常见的端点效应问题,采用GRU延拓法进行处理,并引入ALO(Ant Lion Optimizer)算法对模型中的超参数进行寻优建立GAVMD(GRU-ALO-VMD)分解模型.风功率数据先经过GAVMD模型的分解降低了数据的不平稳性,改善了预测模型的训练难度,之后利用SGRU模型对分解后的IMF(Intrinsic Mode Function)分量进行预测并重构,最终得到原始风功率数据的预测值.以实际风电场样本数据对模型的性能进行验证,仿真结果表明,基于GAVMD-SGRU的组合预测模型相比于其他模型在不同季节内能将平均绝对百分比误差指标维持在6％以内,满足电力系统对风电调度的要求.