Ultra-kurzfristige Windkraft-Kombivorhersage basierend auf komplementärer Ensemble-Empirischer Mode-Zerlegung, Wal-Optimierungsalgorithmus und Elman-Netzwerk

Eine präzise Vorhersage der Windkraft hilft, den Regelungsdruck eines Stromsystems zu verringern, was von großer Bedeutung für den Betrieb des Stromsystems ist. Die Erzielung zufriedenstellender Ergebnisse bei der Windkraftvorhersage ist jedoch aufgrund der zufälligen Volatilitätseigenschaften von Windkraftsequenzen äußerst herausfordernd. Diese Studie schlägt eine neuartige Methode zur kombinierten Vorhersage der ultra-kurzfristigen Windkraft vor, die auf komplementärer Ensemble-Empirischer Moden-Zerlegung, dem Wal-Optimierungsalgorithmus (WOA) und dem Elman-Neuronalen Netzwerkmodell basiert. Das Modell kann nicht nur das Phänomen der leichten Modenmischung bei der Zerlegung lösen, sondern auch die Probleme von Rekonstruktionsfehlern und niedriger Effizienz im Zerlegungsprozess vermeiden. Darüber hinaus wurde ein neuer metaheuristischer Algorithmus, WOA, eingeführt, um das Modell zu optimieren und die Genauigkeit der Windkraftvorhersage zu verbessern. Anhand eines Windparks als Beispiel wurden mehrere Windturbinen ausgewählt, um die Windkraft mithilfe des etablierten Vorhersagemodells zu simulieren und zu analysieren, und die experimentellen Ergebnisse deuten darauf hin, dass die vorgeschlagene Methode eine höhere Vorhersagegenauigkeit der ultra-kurzfristigen Windkraft als andere Vorhersagemodelle aufweist.