基于CW-EMA分解与组合神经网络的风电功率预测

来源：电子测量技术杂志2026年第7期北京时间：

作者：王雯学，乔燕军，寇志伟，崔啸鸣，任刚

单位：1.内蒙古工业大学电力学院 呼和浩特 010080; 2.北京京能国际控股有限公司北方分公司 呼和浩特 010000

摘要：风电功率具有强波动性与随机性，给电网调度与风电并网运行带来挑战。为提升风电功率预测的精度，本文提出一种基于通道独立指数滑动平均分解（CW-EMA）与组合神经网络的超短期风电功率预测模型（CESF-Net）。该模型首先通过噪声密度聚类算法（DBSCAN）识别并剔除风速-功率关系中的离群点，并采用线性插值进行缺失值填补；其次，利用CW-EMA实现多变量序列在通道维度上的趋势与季节分解；然后，利用时间序列分段机制提高模型对局部时间结构的捕捉能力，并构建快速傅里叶变换注意力与门控循环单元的双流网络，分别对季节性特征与趋势性特征进行处理；最后，将双流网络的输出进行拼接，形成CESF-Net模型。在风电场实测数据集上的实验表明，CESF-Net模型在15 min预测任务中，MAE、RMSE、R2较常用模型分别提升18.78%、11.11%、0.26%；在60 min预测任务中，尽管各模型的预测精度均有所下降，但CESF-Net的各项指标仍分别提升了2.98%、2.74%和0.61%。

关键词：通道独立指数滑动平均分解;快速傅里叶变换注意力;时间序列分段;风电功率预测

基金资助：内蒙古科技计划项目(2021GG0256)资助