基于优化SVMD-IBiTCN-BiLSTM模型的短期风电功率预测方法

来源：电子测量技术杂志2025年第23期北京时间：

作者：丁浩展，刘硕，马纪颖

单位：1.沈阳化工大学计算机科学与技术学院 沈阳 110142; 2.辽宁省化工过程工业智能化技术重点实验室 沈阳 110142

摘要：较高的风电功率预测精准度，能够保障电网可持续稳定运行。针对风电数据的波动性和随机性等特征导致预测精准度欠佳的问题，基于分解-预测模型，提出使用连续变分模态分解算法(SVMD)分解数据，双向时间卷积网络(BiTCN)和双向长短期记忆网络(BiLSTM)进行预测为基础的分解预测模型，以提升短期风电功率预测的精准度。使用加入牛顿法增强局部搜索能力的壮丽细尾鹩莺优化算法(SFOA-N)搜寻SVMD的最佳惩罚因子和预测模型的最佳超参数。针对BiTCN中指数增长膨胀率无法适应不同时间序列中的复杂模式的技术难题，提出一种加入动态膨胀率预测模块改进BiTCN的创新方法，可根据输入数据的不同自动调整膨胀率，从而提升预测性能。经本文数据集验证，与单一BiTCN模型对比，基于优化SVMD-IBiTCN-BiLSTM模型的决定系数达到了0.998 2，平均绝对百分比误差、均方根误差和平均绝对误差分别下降了3.57、9.94和7.21，具有较高的预测精度。

关键词：风电功率预测;连续变分模态分解;双向时间卷积网络;双向长短期记忆网络;壮丽细尾鹩莺优化算法

基金资助：辽宁省自然基金(2022-MS-291)、国家外国专家项目计划(G2022006008L)、辽宁省教育厅基本科研项目(LJKMZ20220781)资助