基于深度置信网络的风功率预测模型

摘要

准确的风功率预测可以缓解风电并网对电力系统的负面影响.本文提出一种新的组合模型来提高风电功率预测精度.首先,对特征变量进行时间延迟实现数据重构,利用完全集成经验模态分解(CEEMDAN)将重构后的数据分解为趋势分量和波动分量.其次,利用最大互信息(MIC)选出低维敏感的变量.最后,低维变量输入置信神经网络(DBN)中进行风电功率预测.基于风机实际运行数据的实验结果表明,所建立模型预测结果的MAPE为3.41%,相比于对比模型取得了更高的预测性能.