%A 辛鹏, 李超然, 张勋, 刘培瑞, 袁成磊
%T Q-learning算法优化的多种LSTM的超短期风电功率预测
%0 Journal Article
%D 2024
%J 吉林化工学院学报
%R 10.16039/j.cnki.cn22-1249.2024.09.001
%P 1-8
%V 41
%N 9
%U {https://xuebao.jlict.edu.cn/CN/abstract/article_2512.shtml}
%8 2024-09-25
%X 针对风电功率预测中存在的特征选择困难和单一模型不稳定问题，提出了一种融合Q-learning算法的多种LSTM网络（Q_L-L-C-A）的超短期风电功率预测方法。该方法利用最大信息系数（MIC）对风电数据进行特征筛选，采用变分模态分解（VMD）将风电场功率数据分解为多个频率模态作为额外特征，将筛选和分解后的数据作为模型输入，进行LSTM，CNN-LSTM，Attention-LSTM三种网络模型预测。在此基础上，依据Q-learning算法对三种模型的预测结果进行动态权重分配，以获得更优的组合预测结果。为了验证所提出的Q_L-L-C-A模型的预测效果，以某风电场实测数据为模型输入，与六种模型进行对比实验，实验结果表明：本文所提出的Q_L-L-C-A模型的均方根误差和平均绝对百分误差结果均优于LSTM、CNN-LSTM、Atten-LSTM等模型，Q_L-L-C-A模型在超短期风电功率预测中具有更高的准确性和稳定性。