發(fā)布時間：2021-11-15 04:20

　　針對風(fēng)電出力隨時間變化具有非線性特點,本文提出一種基于互補式集合經(jīng)驗?zāi)B(tài)分解（CEEMD）和改進粒子群算法最小二乘支持向量機（IPSO_LSSVM）新型風(fēng)功率預(yù)測組合模型。首先該方法利用CEEMD將風(fēng)速序列分解為一系列相當平穩(wěn)風(fēng)電分量,以減少不同頻率功率信號之間相互影響;其次針對各分量不同特點,采用改進粒子群算法優(yōu)化核函數(shù)相關(guān)參數(shù)建立各自對應(yīng)預(yù)測模型;最后將不同分量預(yù)測數(shù)據(jù)進行疊加得到風(fēng)功率預(yù)測結(jié)果。通過仿真驗證,本預(yù)測模型有較高預(yù)測精度,在工程中具有一定實用價值。 

【文章來源】：水力發(fā)電. 2020,46(11)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

CEEMD算法流程

本文首先構(gòu)建CEEMD-LSSVM預(yù)測模型，采用CEEMD算法對原始風(fēng)功率數(shù)據(jù)分解得到各固定模態(tài)分量和剩余分量。采用基于最小二乘支持向量機算法分別對各分量建立相應(yīng)預(yù)測模型進行仿真預(yù)測，為提高預(yù)測精度，采用改進粒子群算法對支持向量機的核函數(shù)參數(shù)進行優(yōu)化。具體建模過程如圖2所示。計算過程如下:(1)采用CEEMD算法對原始風(fēng)功率序列進行分解得到固態(tài)模態(tài)分量和剩余分量。

本文采用新疆某實驗風(fēng)電場2019年5月4日至2019年5月7日歷史風(fēng)功率連續(xù)數(shù)據(jù)進行仿真分析，每15 min采樣一個點，共采樣384個點，風(fēng)電場總裝機容量為49.5 MW。原始風(fēng)功率數(shù)據(jù)如圖3所示。采用CEEMD算法對風(fēng)功率分解后如圖4所示，固定模態(tài)分量從高頻到低頻分量分別為IMF1至IMF5，剩余分量為R6。

【參考文獻】：
期刊論文
[1]基于相似日和人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測研究[J]. 欒毅,楊永強,剡文林.  能源與環(huán)保. 2018(10)
[2]基于EEMD去噪和集對理論的風(fēng)功率實時預(yù)測研究[J]. 楊茂,陳郁林,魏治成.  太陽能學(xué)報. 2018(05)
[3]基于CEEMD和膜計算優(yōu)化支持向量機的風(fēng)速預(yù)測[J]. 殷豪,董朕,陳云龍.  電力系統(tǒng)保護與控制. 2017(21)
[4]基于卡爾曼濾波和支持向量機的風(fēng)電功率實時預(yù)測研究[J]. 楊茂,黃賓陽,江博,林思思.  東北電力大學(xué)學(xué)報. 2017(02)
[5]基于EEMD-IGSA-LSSVM的超短期風(fēng)電功率預(yù)測[J]. 江岳春,楊旭瓊,賀飛,陳禮鋒,何鐘南.  湖南大學(xué)學(xué)報(自然科學(xué)版). 2016(10)
[6]風(fēng)電功率預(yù)測方法研究[J]. 范強,文賢馗,林呈輝,張建俠,陳和龍.  貴州電力技術(shù). 2016(10)
[7]基于混沌時間序列GA-VNN模型的超短期風(fēng)功率多步預(yù)測[J]. 江岳春,張丙江,邢方方,張雨,王志剛.  電網(wǎng)技術(shù). 2015(08)
[8]基于最小二乘支持向量機的混合動力挖掘機負載功率預(yù)測[J]. 徐淼,趙丁選,倪濤,徐春博.  吉林大學(xué)學(xué)報(工學(xué)版). 2015(01)
[9]基于集合經(jīng)驗?zāi)B(tài)分解和小波神經(jīng)網(wǎng)絡(luò)的短期風(fēng)功率組合預(yù)測[J]. 王賀,胡志堅,陳珍,仉夢林,賀建波,李晨.  電工技術(shù)學(xué)報. 2013(09)
[10]基于改進PSO算法和LS-SVM的短期電力負荷預(yù)測[J]. 潘磊,李麗娟,丁婷婷,劉對.  工礦自動化. 2012(09)

碩士論文
[1]基于IPSO-BP神經(jīng)網(wǎng)絡(luò)模型的風(fēng)電功率預(yù)測研究[D]. 李操.武漢科技大學(xué) 2016



本文編號：3496017