基于分形特征的自适应EEMD及其在风功率预测中的应用

作     者：金吉 王斌 喻敏 张羽晗 张永 Jin Ji;Wang Bin;Yu Min;Zhang Yuhan;Zhang Yong

作者机构：武汉科技大学信息科学与工程学院武汉430081 武汉科技大学理学院武汉430065 

出 版 物：《太阳能学报》 (Acta Energiae Solaris Sinica)

年 卷 期：2023年第44卷第5期

页      面：416-424页

核心收录：

学科分类：080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 

基　　金：国家自然科学基金(61873197) 

主　　题：分形维数 风功率 长短时记忆网络 自适应EEMD 

摘      要：人为设定白噪声的幅值和加噪次数及白噪声自身的随机性会对集合经验模态分解(EEMD)方法的分解结果造成不确定性,导致EEMD应用于风功率预测时不能实现最佳的分解效果。该文研究了白噪声参数对EEMD分解效果的影响机理,并提出基于分形特征的自适应EEMD方法。在不同的白噪声及白噪声参数下,EEMD分解所得到的模态分量具有不同的分形维特征,采用粒子群算法寻优获得EEMD处理某一信号的最佳参数,实现对信号的准确分解。同时结合具有良好非线性建模能力的长短时记忆(LSTM)网络方法对自适应EEMD分解得到的模态分量进行预测,利用仿真信号及两个风电场实际风功率数据进行分析,自适应EEMD避免了白噪声的随机性及人为设定参数对EEMD分解结果带来的不确定性影响。与3种基准预测模型对比,自适应EEMD结合LSTM模型预测两组风功率的RMSE显著降低,验证了该文研究方法的有效性。