考慮到風電功率短期預測的準確性對電網(wǎng)調度具有重要作用,提出了一種由改進的集成經(jīng)驗穩(wěn)態(tài)分解（MEEMD）與基于遺傳算法優(yōu)化的極限學習機（GAELM）相結合的短期風功率組合預測模型,首先對原始風功率時間序列進行總體平均經(jīng)驗模態(tài)分解（CEEMD）,通過排列熵剔除異常分量,再對剩余分量進行經(jīng)驗模態(tài)分解（EMD）,其結果即為MEEMD分解所得分量,對分量分別建立GAELM預測模型,將各分量預測結果相加,即得到最終預測結果。對東北某風電場實測數(shù)據(jù)進行試驗表明,與傳統(tǒng)預測方法相比,組合預測模型有效提高了短期風功率預測的精確性。 

【文章來源】：水電能源科學. 2020,38(08)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

東北某風電場連續(xù)8d風功率時序圖

圖1 東北某風電場連續(xù)8d風功率時序圖對原始風功率時間序列進行EEMD分解的結果見圖2(b）。由圖2(b）可看出，EEMD分解方法共獲得8個IMF和一個余項RS。高頻率分量IMF1和IMF2周期短，分量曲線規(guī)律性差，由IMF3到低頻分量及余項，曲線周期性逐漸顯現(xiàn)。

為驗證所提組合預測模型的有效性及精度，將MEEMD-GAELM與ELM、GAELM預測方法及EMD-GAELM、EEMD-GAELM、CEEMD-GAELM等組合預測模型的預測結果分別與實際值進行比較，結果見圖3。由圖3可看出，基于遺傳算法優(yōu)化后的ELM曲線擬合效果比優(yōu)化前的ELM好，說明極限學習機的輸入權值和隱藏層閾值經(jīng)過遺傳算法尋優(yōu)后預測精度更高。通過EMD、EEMD、CEEMD、MEEMD等分解方法預先對非線性、非平穩(wěn)的原始風功率時間序列進行處理的組合預測模型的曲線擬合效果均優(yōu)于單一預測模型，說明對于風功率這種非線性且波動性大的時間序列，優(yōu)先進行模態(tài)分解能降低波動性帶來的預測誤差，有效改善預測精度。而在EMD-GAELM、EEMD-GAELM、CEEMD-GAELM、MEEMD-GAELM四種組合預測模型中，MEEMD分解后再進行GAELM預測建模的組合方法預測曲線擬合度最高，說明MEEMD分解比EMD、EEMD、CEEMD三種分解方法更具有完備性，更能有效降低信號的間歇性和波動性對預測模型的影響，提高預測精度。同時，MEEMD-GAELM的誤差波動幅度最小、最為平穩(wěn)且最貼近零值，預測精度更高，預測效果更好。MEEMD-GAELM與GAELM預測方法及EMD-GAELM、EEMD-GAELM、CEEMD-GAELM、MEEMD-ELM等組合預測模型的預測結果評價指標見表2。由表2可看出，在三種預測評價指標中，與ELM、GAELM、EMD-GAELM、EEMD-GAELM、CEEMD-GAELM 5種模型相比，MEEMD-GAELM的MMAE、RRMSE、MMAPE值均最小，模型各項指標綜合表現(xiàn)最優(yōu)，與傳統(tǒng)預測方法相比，預測精度有了明顯提升。

【參考文獻】：
期刊論文
[1]基于MEEMD與排列熵的風電功率超短期預測研究[J]. 曹威,劉長良,王梓齊,李海軍.  可再生能源. 2019(03)
[2]基于CEEMD和GWO的超短期風速預測[J]. 王靜,李維德.  電力系統(tǒng)保護與控制. 2018(09)
[3]基于改進PSO-ELM算法的混凝土壩變形非線性監(jiān)控模型[J]. 張海龍,范振東.  水電能源科學. 2018(01)
[4]基于EEMD-GRNN的降水量預測分析[J]. 胡虎,楊侃,朱大偉,沈雪嬌,田兆偉.  水電能源科學. 2017(04)
[5]基于GA-ELM神經(jīng)網(wǎng)絡的逐時太陽輻照量預測[J]. 徐靜,黃南天,王文婷,戚佳金,徐世兵,于志勇.  電網(wǎng)與清潔能源. 2016(08)
[6]基于數(shù)據(jù)分層預處理的短期風功率預測研究[J]. 章偉,鄧院昌,魏楨.  水電能源科學. 2013(11)
[7]改進的EEMD算法及其應用研究[J]. 鄭近德,程軍圣,楊宇.  振動與沖擊. 2013(21)

碩士論文
[1]基于優(yōu)化EMD分解和GA-BP神經(jīng)網(wǎng)絡的滾動軸承故障診斷研究[D]. 羅茜.湖南大學 2017



本文編號：3265788