基于CEEMDAN-ARIMA-BiLSTM-SelfAttention与误差修正的风电功率预测模型

来源：动力工程学报杂志2026年第5期北京时间：

作者：刘吉成, 鲍红焉, 刘子毅, 朱琳,

摘要：为有效应对风电功率随机性给预测带来的困境,提出了一种计及误差修正的新型混合模型。该方法利用自适应噪声完全集成经验模态分解(CEEMDAN)对风电功率原始数据及其预测误差进行分解,通过t检验以衡量分解后所得各子序列的特性。应用自注意力机制(SelfAttention)增强的双向长短期记忆网络(BiLSTM)预测具有高频特性的序列,采用自回归积分滑动平均(ARIMA)模型处理具有低频特性的序列。最后,将初始风电功率预测结果与相应的误差预测值相加,得到基于误差修正的风功率预测值。选取不同风场中的功率样本,并将其与12个模型进行对比,以验证所提模型CEEMDAN-ARIMA -BiLSTM-SelfAttention的性能。结果表明:所提模型在WF1秋季场景下较单一模型在均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)以及决定系数(R2)指标上分别至少提升了70.19%、68.67%、25.41%和7.59%,因此误差修正与分解策略可有效提升风电功率预测的性能;与基准模型相比,所提模型在多场景下均为最可靠的预测方法。

关键词：风电功率预测,误差修正,CEEMDAN,ARIMA,BiLSTM,自注意力机制,