近日，西安建筑科技大学理学院大数据科研团队提出了一种基于CEEMDAN-SE-TR-BiGRU-Attention的混合深度学习模型，可解决高低频风电功率的预测问题，该研究成果在线发表于Energy.
在全球能源短缺和环境问题日益严重的大背景下，风力发电作为一种可再生的清洁能源受到广泛的关注，同时也被纳入了国家的长期能源发展战略。《2023年全球风能报告》预计到2024年，全球陆上风电新增装机将首次突破100GW，说明风力发电在全球的发展趋势中占据着越来越重要的地位。中国是世界上最大的能源需求国，风力发电的天然绿色特性显得尤为重要。为了实现政府提出的碳中和政策，在我国大力发展风力发电已成为必然趋势。因此，风电场需要准确的预测系统来制定发电、配电策略，从而提高大规模的风电并网对电网调度的可靠性、增强电力系统运行的安全性和经济性。
该模型集成了若干信号分解方法和深度学习技术，主要包括带自适应噪声的完全集成经验模态分解(CEEMDAN)、样本熵(SE)、Transformer(TR)和带注意力机制的双向门控循环单元(BiGRU-Attention)。论文首先采用CEEMDAN方法将原始风电序列分解为多个子模态和残差，根据它们的样本熵进行重构，得到新的子序列；其次结合原始序列的样本熵，将重构子序列进一步划分为高频序列和低频序列；然后将Transformer和BiGRU-Attention模型分别应用于高频序列和低频序列；最后将各分量的预测值进行叠加，得到最终的预测结果。与其它机器学习和深度学习模型相比，论文所建立的模型显著提升了风电预测的性能。
相关论文信息：https://doi.org/10.1016/j.energy.2023.129753