摘要(Abstract)：
为了提高风力发电预测的准确性，依据某近海地区风电场出力数据，提出基于深度时间卷积网络的风电功率组合预测模型；利用自适应集成经验模态分解对风电功率序列进行特征提取，得到若干本征模态分量，通过排列熵相关理论计算各模态分量的复杂度，根据复杂度进行序列重构，并输入至改进余弦退火算法优化的深度时间卷积网络中进行风电功率分析与预测。结果表明，该模型与其他模型相比具有较好的预测效果，能够有效提高超短期风电功率预测精度。
关键词(KeyWords)： 风电功率预测;深度时间卷积网络;自适应集成经验模态分解;排列熵;改进余弦退火
基金项目(Foundation): 国家自然科学基金项目(12072205);; 天津市科技计划项目(19YFZGQY0040);; 山东省自然科学基金项目(ZR202102240076);; 石家庄市科技计划项目(209060561A)
作者(Author): 刘晗,王硕禾,张嘉姗,常宇健,张国驹
DOI: 10.13349/j.cnki.jdxbn.20211207.001
参考文献(References)：
[1] SHAHID F,ZAMEER A,MEHMOOD A,et al.A novel wavenets long short term memory paradigm for wind power prediction[J].Applied Energy,2020,269:115098.
[2] VARGAS S A,ESTEVES G R T,MACAIRA P M,et al.Wind power generation:a review and a research agenda[J].Journal of Cleaner Production,2019,218:850-870.
[3] 王佶宣，邓斌，王江.基于经验模态分解与RBF神经网络的短期风功率预测[J].电力系统及其自动化学报，2020,32(11):109-115.
[4] 王硕禾，陈祖成，张国驹，等.基于诱导有序加权平均算法的风电场短期功率的预测[J].济南大学学报(自然科学版),2019,33(4):319-325.
[5] HONG Y Y,RIOFLORIDO C L P P.A hybrid deep learning-based neural network for 24-h ahead wind power forecasting[J].Applied Energy,2019,250:530-539.
[6] NIU Z W,YU Z Y,TANG W H,et al.Wind power forecasting using attention-based gated recurrent unit network[J].Energy,2020,196:117081.
[7] 李俊卿，李秋佳.基于Kriging和长短期记忆网络的风电功率预测方法[J].太阳能学报，2020,41(11):241-247.
[8] LI L L,CHANG Y B,TSENG M L,et al.Wind power prediction using a novel model on wavelet decomposition-support vector machines-improved atomic search algorithm[J].Journal of Cleaner Production,2020,270:121817.
[9] HUANG N E,SHEN Z,LONG S R,et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proceedings of The Royal Society A:Mathematical Physical and Engineering Sciences,1998,454:903-995.
[10] COLOMINAS M A,SCHLOTTHAUER G,TORRES M E,et al.Improved complete ensemble EMD:a suitable tool for biomedical signal processing[J].Biomedical Signal Processing Control,2014,14:19-29.
[11] 郑海青，张玉，孙晓云.卷积神经网络在锚杆锚固类型识别中的应用[J].济南大学学报(自然科学版),2020,34(1):35-41.
[12] 杨真真，匡楠，范露，等.基于卷积神经网络的图像分类算法综述[J].信号处理，2018,34(12):1474-1489.
[13] 李旭冬，叶茂，李涛.基于卷积神经网络的目标检测研究综述[J].计算机应用研究，2017,34(10):2881-2886,2891.
[14] 王丽华，谢阳阳，周子贤，等.基于卷积神经网络的异步电机故障诊断[J].振动、测试与诊断，2017,37(6):1208-1215,1283.
[15] 李滨，陆明珍.考虑实时气象耦合作用的地区电网短期负荷预测建模[J].电力系统自动化，2020,44(17):60-68.
[16] XIE H S,WU Z S.A robust fabric defect detection method based on improved RefineDet[J].Sensors,2020,20(15):4260.
[17] BANDT C,POMPE B.Permutation entropy:a natural complexity measure for time series[J].Physical Review Letters,2002,88(17):174102.
[18] 饶国强，冯辅周，司爱威，等.排列熵算法参数的优化确定方法研究[J].振动与冲击，2014,33(1):188-193.
