基于VMD_SE和机器学习算法的短期风电功率多层级综合预测模型_张亚超

资 源 简 介

基于VMD_SE和机器学习算法的短期风电功率多层级综合预测模型_张亚超

详 情 说 明

针对风电功率预测的不确定性和非线性特点，张亚超提出的多层级综合预测模型结合了先进的信号处理技术与机器学习算法。该模型首先利用变分模态分解与样本熵（VMD_SE）对原始风电功率序列进行多尺度分解，有效分离出不同频域的特征分量。随后通过构建基于机器学习的子预测模块，分别对不同复杂度分量进行针对性建模。

在特征分解阶段，VMD_SE方法通过自适应确定模态分解数量，解决了传统分解方法过度依赖经验参数的问题。样本熵则用于量化各模态分量的复杂度，为后续的预测策略选择提供依据。对于高频噪声分量采用稳健性强的随机森林算法，而低频趋势分量则使用具有时序建模能力的LSTM网络。

最终通过动态权重分配机制融合各子模型的预测结果，既保留了不同频域分量的特征信息，又平衡了各模型的预测偏差。实验表明，该多层级框架相比单一预测模型，在预测精度和稳定性方面均有显著提升，尤其适用于风电功率的短期预测场景。