摘要： 为提高不同气象场景下风电机组输出功率预测的准确性，提出了一种基于自适应噪声完备集合经验模态分解-卷积神经网络-长短期记忆网络模型的风电机组功率回归预测方法。首先，通过自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN）算法对原始风电功率数据进行分解，利用本征模态函数（Intrinsic Mode Functions，IMFs）和残差项（Residual，RES），并考虑风速等五种气象因素，结合卷积神经网络（Convolutional Neural Network，CNN）进行特征提取，采用长短期记忆网络（Long Short-Term Memory，LSTM）对每个子序列进行回归预测，并将预测结果进行叠加重构，得到最终预测值，使用平均绝对误差和均方根误差量化预测值与实际值之间的偏差。通过某地区实测数据对比分析，结果表明，该方法通过引入CEEMDAN和CNN对原始气象数据进行特征提取，相比现有预测方法，有效提高了特征捕捉能力，同时结合常规气象条件下的模型训练与迁移，进一步增强了模型对多气象场景及极端天气小样本数据的拟合和泛化能力。
