一.列举的下方文献名称和相关内容,如果有兴趣想哪篇文章被复现，可以在投票区投票，如果自己想复现的文章没在下方投票区当中，可以在博文下方留言

（投票截止时间：2023年10月29，复现时间：2周，复现完会抽取投票的小伙伴5名进行免费赠予代码（不包售后），其他人需要付费（包售后））

1.基于 EMD-ELM-LSTM 的短期风电功率预测

主要内容：风电出力的波动性和随机性较强，给电网功率调度带来了极大的困难。如何准确预测风电功率对电网的功率供需平衡和安 全稳定运行具有重要的意义。本文提出了一种基于经验模态分解(Empirical Mode Decomposition, EMD)、极限学习机(Extreme Learning Machine, ELM)和长短期记忆网络(Long Short-Term Memory, LSTM)的风电功率预测组合模型。首先，对数据集进行预处 理，识别并处理数据集中的异常数据，并对数据进行归一化处理以降低不同数据之间的差异性，其次对风电功率进行EMD 分解 以得到有限分量，然后将所有数据输入ELM-LSTM 模型，并根据风电功率分量的特征选择ELM 或LSTM 对分量进行预测，最 后叠加各子序列得到风电功率的最终预测结果。为验证所提模型的有效性和先进性，利用传统的 BP 神经网络、LSTM 网络、CNN-LSTM网络、ELM以及本文所提模型，分别对我国西南某风电场的实测数据进行预测。测试结果表明，所提EMD-ELM-LSTM组合预测模型可以有效提高风电功率预测精度。

2.基于密度聚类模态分解的卷积神经网络和长短期 记忆网络短期风电功率预测

主要内容：为提 高风电功率短期预测的准确度，提出基于密度聚类与自适 应 噪 声 完 备 集 成 经 验 模 态 分 解 （ complete  ensemble empirical  mode  decomposition  with  adaptive  noise, CEEMDAN）和卷积神经网络与长短期记忆网络结合的短 期风电功率预测方法。首先，利用密度聚类将风电功率与 天气特征分成不同类别的数据集，通过自适应噪声完备集 成经验模态分解算法将不同类别的数据进行频域分解得到 子序列分量。以此为基础，将不同的子序列分量与天气特 征进行特征选择，输入到卷积神经网络与长短期记忆网络 的预测模型。最后，将不同的预测结果进行叠加得到最终 的预测结果。整个预测过程通过聚类、分解和特征选择， 有效提高了短期风电功率预测的准确度。

3.基于时空注意力卷积模型的超短期风电功率预测

主要内容：提出一种基于时空相关性的风电功率预测方法，由时空注 意力模型和时空卷积模型组成。首先，利用空间注意力层和 时间注意力层对不同风机之间的时空相关性进行聚合提取。 其次，通过空间卷积层和时间卷积层有效捕捉风电数据之间 的空间特征和时间演变规律。最后，采用中国两处实际风电 场运行数据对预测方法进行实验验证。结果表明，相比于传 统预测方法，时空注意力模型和时空卷积模型的融合使本文 所提出的预测方法具有较高的预测精度和较好的稳定性。

4.基于相空间重构和BiLSTM 的 风电功率短期预测

主要内容：针对复杂多因素(气象信息、时间序列的混沌特性等)影响风电功率的短期预测,及风电时间序列的长期 依赖问题,提出基于相空间重构和双向长短期记忆(bidirectionallongshort-term memories,BiLSTM)神经网络 的风电功率短期预测方法。以全球能源预测竞赛的数据集为背景,基于嵌入定理从风电功率序列中重构出相空 间,以展示其内在的混沌特性,其中相空间重构的参数依据 C-C法确定;对选取的气象预测数据(未来风速、风 向)进行归一化处理,并组合重构后的风电功率数据作为 BiLSTM 的输入量,重构前的功率数据作为输出量,训 练预测模型。在全球能源预测竞赛2012提供的 wf1数据集上进行日前预测实验,测试集前30d的平均均方根误 差为0.1194,测试集107d的平均均方根误差为0.1409,相较于 ANN、BiLSTM、RF和 KNN,相空间重构BiLSTM (Re-BiLSTM)的预测准确度和精度更高,验证了所提出的短期风电功率预测模型的有效性、适用性和 泛化性。

5.基于波动趋势分段的风电功率区间预测

主要内容：风电的波动性制约着其预测的准确性，为此，在对风电序列变化趋势进行分析的基础上，提 出一种基于风电功率波动趋势分段的区间预测方法。首先，在全时段上应用平均滤波算法和滑动 窗口提取功率变化趋势及转折点，针对传统分段方法仅考虑相邻转折点间功率变化率的问题，提出 一种改进的双时段划分方法来得到分段结果。然后，综合不同时段功率误差的特点，提出一种分段 预测方法：对突变时段和非突变时段分别应用 k-means 算法得到聚类结果，基于非突变时段聚类结 果得到非突变时段的误差区间，基于突变时段聚类结果建立分类的误差云模型得到突变时段的误 差区间，叠加确定性预测模型的预测值得到全时段区间预测结果。最后，利用 Elia 的风电数据进行 算例分析，结果表明所提方法的风电功率区间预测效果更优。

6.基于小生境遗传算法与径向基代理模型的短期风电功率预测

主要内容：为提高短期功率预测精度，以赋予风电被电网资产更大规模消纳的优势，建立一种基于主导特征影响因素和小生境遗传算法改进的径向基代理模型的滚动式短期（0～72 h）风电功率预测模型。首先，基于罚函数和排挤机制的小生境技术对传统基本遗传算法进行改进，以径向基代理模型（RBF）作为建模基础，利用改进后的遗传算法以反传误差极小为目标函数对RBF模型的连接权值进行优化，借助其寻优能力来获取最佳权值，以达成对RBF网络的改进和二次训练；然后，基于主导特征气象因素，结合改进的RBF模型最终建立N-SGA-RBF风电出力预测模型，对风电场连续3日0～72 h输出功率进行了预测；最后，对N-SGA-RBF模型、RBF模型以及BP模型做预测结果趋势变化、各采样点绝对/相对误差分布、发电预测预报准确率和合格率的对比。以新疆东部某风电场实测数据进行算例验证分析，仿真结果表明，所建预测模型具有较高的精度，可为风电场工程实践提供参考。