唐杰;段祝奥;邵武;

针对风电具有随机性与波动性而导致预测模型鲁棒性及稳定性差的问题，提出一种基于黑翅鸢算法（black-winged kite algorithm,BKA）、卷积神经（convolutional neural network,CNN）与门控循环单元（gated recurrent unit,GRU）网络的超短期风力发电功率的组合预测模型。首先，通过CNN提取气象数据的空间关联特征，并结合GRU捕捉历史功率序列的时序动态特征，构建预测框架。其次，针对CNN-GRU模型具有超参数依赖经验调优的局限，引入BKA算法来自适应优化CNN的卷积核数量、GRU隐藏层节点数及学习率等关键参数，提升模型收敛速度。仿真结果表明，所提出的BKA-CNN-GRU模型预测精度显著优于对比模型，其均方根误差较未优化的CNN-GRU模型降低了21.68%，决定系数提升至0.907 9，有效说明了BKA算法在超参数优化上的优越性。

2026年02期 v.23;No.108 30-39页 [查看摘要][在线阅读][下载 1400K]