基于分解技术的IZOA-Transformer-BiGRU短期风电功率预测

来源：电子测量技术杂志2025年第2期北京时间：

作者：蒲晓云，杨靖，杨兴，宁媛

单位：贵州大学 电气工程学院 贵阳 550025

摘要：准确的风电功率预测对于保障电网平稳运行和提升风资源利用效率具有重要意义。针对风电功率数据的非平稳性和间歇性等特征，本文提出了一种结合数据分解技术的IZOATransformer-BiGRU组合预测模型，以提升短期风电功率预测的精度和可靠性。首先，采用能量差值法确定变分模态分解(VMD)的子模态数，将具有较强随机波动性的原始风电功率分解为一系列相对平稳的子序列，从而更加充分地提取时序特征。其次，构建Transformer-BiGRU模型，引入多头注意力机制并行处理多个特征之间的交互关系，并利用BiGRU捕捉时序序列间的前后依赖性，从而提升预测性能。为了进一步优化模型性能，采用融合Singer混沌映射、透镜折射反向学习和单纯形法策略的改进斑马优化算法(IZOA)，对Transformer-BiGRU模型的隐藏层神经元数、初始学习率、正则化系数和多头注意力头数四个关键超参数进行优化。最后，通过IZOA-Transformer-BiGRU对分解后的各子序列进行预测，经过叠加重构得到最终的预测结果。实验结果表明，与单一BiGRU模型相比，所提模型的决定系数提升了5.10%，平均绝对误差、均方根误差以及平均绝对百分比误差分别降低了56.17%、54.58%、54.55%，具有较高的预测精度。

关键词：风电功率预测;变分模态分解;Transformer;双向门控循环单元;能量差值法;斑马优化算法

基金资助：国家自然科学基金(62261005)、贵州省科技支撑项目(黔科合［2022］一般017，黔科合ZK［2022］135)、贵州电科院2023年计及显著季节负荷与光伏波动性的单相调容变压器关键技术与示范项目(K23-0109-014)资助