考慮到風(fēng)電功率短期預(yù)測(cè)的準(zhǔn)確性對(duì)電網(wǎng)調(diào)度具有重要作用,提出了一種由改進(jìn)的集成經(jīng)驗(yàn)穩(wěn)態(tài)分解（MEEMD）與基于遺傳算法優(yōu)化的極限學(xué)習(xí)機(jī)（GAELM）相結(jié)合的短期風(fēng)功率組合預(yù)測(cè)模型,首先對(duì)原始風(fēng)功率時(shí)間序列進(jìn)行總體平均經(jīng)驗(yàn)?zāi)B(tài)分解（CEEMD）,通過(guò)排列熵剔除異常分量,再對(duì)剩余分量進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）,其結(jié)果即為MEEMD分解所得分量,對(duì)分量分別建立GAELM預(yù)測(cè)模型,將各分量預(yù)測(cè)結(jié)果相加,即得到最終預(yù)測(cè)結(jié)果。對(duì)東北某風(fēng)電場(chǎng)實(shí)測(cè)數(shù)據(jù)進(jìn)行試驗(yàn)表明,與傳統(tǒng)預(yù)測(cè)方法相比,組合預(yù)測(cè)模型有效提高了短期風(fēng)功率預(yù)測(cè)的精確性。 

【文章來(lái)源】：水電能源科學(xué). 2020,38(08)北大核心

【文章頁(yè)數(shù)】：4 頁(yè)

【部分圖文】：

東北某風(fēng)電場(chǎng)連續(xù)8d風(fēng)功率時(shí)序圖

圖1 東北某風(fēng)電場(chǎng)連續(xù)8d風(fēng)功率時(shí)序圖對(duì)原始風(fēng)功率時(shí)間序列進(jìn)行EEMD分解的結(jié)果見(jiàn)圖2(b）。由圖2(b）可看出，EEMD分解方法共獲得8個(gè)IMF和一個(gè)余項(xiàng)RS。高頻率分量IMF1和IMF2周期短，分量曲線(xiàn)規(guī)律性差，由IMF3到低頻分量及余項(xiàng)，曲線(xiàn)周期性逐漸顯現(xiàn)。

為驗(yàn)證所提組合預(yù)測(cè)模型的有效性及精度，將MEEMD-GAELM與ELM、GAELM預(yù)測(cè)方法及EMD-GAELM、EEMD-GAELM、CEEMD-GAELM等組合預(yù)測(cè)模型的預(yù)測(cè)結(jié)果分別與實(shí)際值進(jìn)行比較，結(jié)果見(jiàn)圖3。由圖3可看出，基于遺傳算法優(yōu)化后的ELM曲線(xiàn)擬合效果比優(yōu)化前的ELM好，說(shuō)明極限學(xué)習(xí)機(jī)的輸入權(quán)值和隱藏層閾值經(jīng)過(guò)遺傳算法尋優(yōu)后預(yù)測(cè)精度更高。通過(guò)EMD、EEMD、CEEMD、MEEMD等分解方法預(yù)先對(duì)非線(xiàn)性、非平穩(wěn)的原始風(fēng)功率時(shí)間序列進(jìn)行處理的組合預(yù)測(cè)模型的曲線(xiàn)擬合效果均優(yōu)于單一預(yù)測(cè)模型，說(shuō)明對(duì)于風(fēng)功率這種非線(xiàn)性且波動(dòng)性大的時(shí)間序列，優(yōu)先進(jìn)行模態(tài)分解能降低波動(dòng)性帶來(lái)的預(yù)測(cè)誤差，有效改善預(yù)測(cè)精度。而在EMD-GAELM、EEMD-GAELM、CEEMD-GAELM、MEEMD-GAELM四種組合預(yù)測(cè)模型中，MEEMD分解后再進(jìn)行GAELM預(yù)測(cè)建模的組合方法預(yù)測(cè)曲線(xiàn)擬合度最高，說(shuō)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(hào)的間歇性和波動(dòng)性對(duì)預(yù)測(cè)模型的影響，提高預(yù)測(cè)精度。同時(shí)，MEEMD-GAELM的誤差波動(dòng)幅度最小、最為平穩(wěn)且最貼近零值，預(yù)測(cè)精度更高，預(yù)測(cè)效果更好。MEEMD-GAELM與GAELM預(yù)測(cè)方法及EMD-GAELM、EEMD-GAELM、CEEMD-GAELM、MEEMD-ELM等組合預(yù)測(cè)模型的預(yù)測(cè)結(jié)果評(píng)價(jià)指標(biāo)見(jiàn)表2。由表2可看出，在三種預(yù)測(cè)評(píng)價(jià)指標(biāo)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(xiàng)指標(biāo)綜合表現(xiàn)最優(yōu)，與傳統(tǒng)預(yù)測(cè)方法相比，預(yù)測(cè)精度有了明顯提升。

【參考文獻(xiàn)】：
期刊論文
[1]基于MEEMD與排列熵的風(fēng)電功率超短期預(yù)測(cè)研究[J]. 曹威,劉長(zhǎng)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(fēng)速預(yù)測(cè)[J]. 王靜,李維德.  電力系統(tǒng)保護(hù)與控制. 2018(09)
[3]基于改進(jìn)PSO-ELM算法的混凝土壩變形非線(xiàn)性監(jiān)控模型[J]. 張海龍,范振東.  水電能源科學(xué). 2018(01)
[4]基于EEMD-GRNN的降水量預(yù)測(cè)分析[J]. 胡虎,楊侃,朱大偉,沈雪嬌,田兆偉.  水電能源科學(xué). 2017(04)
[5]基于GA-ELM神經(jīng)網(wǎng)絡(luò)的逐時(shí)太陽(yáng)輻照量預(yù)測(cè)[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(yù)處理的短期風(fēng)功率預(yù)測(cè)研究[J]. 章偉,鄧院昌,魏楨.  水電能源科學(xué). 2013(11)
[7]改進(jìn)的EEMD算法及其應(yīng)用研究[J]. 鄭近德,程軍圣,楊宇.  振動(dòng)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(luò)的滾動(dòng)軸承故障診斷研究[D]. 羅茜.湖南大學(xué) 2017



本文編號(hào)：3265788