来源：期刊VIP网 时间：
作者：熊永康;喻性利;郑畅宇;刘岩;夏永洪;宋冠宏;
单位：国网江西省电力有限公司电力科学研究院;南昌大学信息工程学院;
摘要：为提高风电功率预测精度，针对风电数据多维性、强波动性等特征，提出一种基于自适应白噪声完备经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）、长短期记忆神经网络（long short-term memory,LSTM）与极限梯度提升（extreme gradient boosting,XGBoost）的组合预测方法。首先，对风电功率信号实施分解与重构处理：采用CEEMDAN将原始信号分解为若干本征模态函数（intrinsic mode functions,IMFs），并依据样本熵准则对各子序列进行重构，将其划分为高频分量与低频分量。随后，构建CEEMDAN-LSTM-XGBoost组合预测模型，通过皮尔逊相关系数分析识别与风电功率显著相关的环境变量，并将筛选出的关键外部因素与历史功率数据组合输入模型，以确定LSTM与XGBoost各自预测误差最小的最优输入特征集。最终，采用粒子群优化算法（particle swarm optimization, PSO）确定LSTM与XGBoost模型输出的最优组合权重。算例分析结果证实，提出的CEEMDAN-LSTM-XGBoost模型相较传统LSTM与XGBoost单一模型具有显著更高的预测精度。
关键词：风电功率预测;;自适应白噪声完备经验模态分解;;长短期记忆神经网络;;XGBoost模型;;粒子群优化算法
基金资助：江西省自然科学基金项目（20242BAB20051,20252BAC240666,20252BAC240026）~~
