針對風電功率概率短期區(qū)間預測問題,提出了基于集合經(jīng)驗模態(tài)分解（EEMD）與人群搜索算法（SOA）優(yōu)化的核極限學習機（KELM）模型。首先,在風電功率非平穩(wěn)性時頻分析的基礎上,利用EEMD將原始風電功率序列分解為不同的子序列,并對各EEMD子序列建立基于上下限直接估量的預測子模型。然后,使用SOA尋求KELM子模型輸出權(quán)值上下限的最優(yōu)解,以優(yōu)化模型預測性能。最后,以實際數(shù)據(jù)為算例,將本文模型與粒子群優(yōu)化（PSO）算法優(yōu)化的5種預測模型進行對比。結(jié)果表明:EEMD-SOA-KELM模型收斂速度更快且全局收斂,可獲得更加可靠優(yōu)良的區(qū)間預測結(jié)果。 

【文章來源】：動力工程學報. 2019,39(11)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

頻譜圖圖１風電功率時間序列及其頻譜圖（ｂ）

圖２風電功率信號時頻分析圖Ｆｉｇ．２Ｔｉｍｅ－ｆｒｅｑｕｅｎｃｙａｎａｌｙｓｉｓｏｆｗｉｎｄｐｏｗｅｒｓｉｇｎａｌｓ的非平穩(wěn)特征明顯。如果僅用一個統(tǒng)一模型來預測風電功率這種非平穩(wěn)信號特征，顯然會造成預測誤差。因此，筆者將非平穩(wěn)的功率信號通過分解單獨建模，降低信號的非平穩(wěn)性對預測精度的影響。ＥＭＤ是在１９９８年由學者Ｈｕａｎｇ提出的針對復雜非線性非平穩(wěn)信號的處理方法［１６］。利用ＥＭＤ可以將復雜的原始信號分解成一系列本征模態(tài)分量（ＩＭＦ）和一個剩余分量，分別表征不同尺度下原始信號的波動特性以及整體時間序列的變化趨勢，由此可提取出信號本身的真實物理意義和局部特征。然而，原始信號的間歇性會使ＥＭＤ的分解出現(xiàn)固定模態(tài)的混淆現(xiàn)象，ＥＥＭＤ是ＥＭＤ的一種改進算法［１７］，通過添加高斯白噪聲來改善模態(tài)混疊現(xiàn)象，步驟如下：（１）確定ＥＥＭＤ的分解次數(shù)ｎ和幅值固定的高斯白噪聲序列ｎｍ（ｔ）。（２）令ｍ＝１，在原始序列ｘ（ｔ）中加入高斯白噪聲序列ｎｍ（ｔ），即ｘｍ（ｔ）＝ｘ（ｔ）＋ｎｍ（ｔ）（１）式中：ｘｍ（ｔ）為加入高斯白噪聲后待分解的序列。（３）執(zhí)行第ｍ次ＥＭＤ分解，將ｘｍ（ｔ）分解為ｋ個ＩＭＦ分量ｃｉｍ和一個剩余分量ｒｍ（ｔ），其中ｉ＝１，２，…，ｋ。（４）若ｍ＜ｎ，則ｍ＝ｍ＋１，重復步驟（３），若達到分解次數(shù)，則執(zhí)行下步操作。（５）計算ｎ次實驗得到的ＩＭＦ分量的

（Ｉ／Ｃ＋ΩＥＬＭ）－１Ｔβ＝（Ｉ／Ｃ＋ΩＥＬＭ）－１烅烄烆Ｔ（１１）與ＥＬＭ相比，ＫＥＬＭ用穩(wěn)定的核映射替代了ＥＬＭ中的隨機映射，模型的穩(wěn)定性和泛化能力得到增強，而且具有調(diào)節(jié)參數(shù)少、收斂速度快等優(yōu)勢。這是由于采用Ｋ（Ｘ，Ｘｉ）形式的核函數(shù)，無需預先設定隱含層節(jié)點的數(shù)目和偏置參數(shù)。筆者選取待預測時刻的風速作為輸入，輸出數(shù)據(jù)Ｕ（Ｘ）和Ｌ（Ｘ）分別為待預測風電功率區(qū)間上下限，建立了圖３所示的基于ＫＥＬＭ的風電功率區(qū)間預測模型基本結(jié)構(gòu)。圖３極限學習機風電功率區(qū)間預測模型Ｆｉｇ．３Ｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅｍｏｄｅｌｆｏｒｐｏｗｅｒｉｎｔｅｒｖａｌｐｒｅｄｉｃｔｉｏｎ２．２構(gòu)造預測區(qū)間優(yōu)化準則２．２．１預測區(qū)間覆蓋率引入預測區(qū)間覆蓋率（ＰＩｃｏｖｅｒａｇｅｐｒｏｂａｂｉｌｉｔｙ，ＭＰＩＣＰ）指標，其反映了實際觀測目標值ｗｉ落在預測區(qū)間上下限內(nèi)的概率：ＭＰＩＣＰ＝１ＮｗＲ?Ｎｗｉ＝１Ｋ（α）ｉ（１２）式中：當預測目標值ｗｉ∈［Ｌｉ，Ｕｉ］時，κｉ為１，反之為０，Ｌｉ和Ｕｉ分別對應預測區(qū)間的下限和上限；Ｎｗ為預測點的個數(shù)；ｗ為當前觀測值序列；Ｒ表示預測目標值的取值范圍，為歸一化值。２．２．２預測區(qū)間平均帶寬引入預測區(qū)間平均帶寬（ＰＩｎｏｒｍａｌｉｚｅｄａｖｅｒ－ａｇｅｗｉｄｔｈ，ＭＰＩＮＡＷ）指標，以反映預測的清晰度：ＭＰＩＮＡＷ＝１Ｎ

【參考文獻】：
期刊論文
[1]基于風速云模型相似日的短期風電功率預測方法[J]. 閻潔,許成志,劉永前,韓爽,李莉.  電力系統(tǒng)自動化. 2018(06)
[2]風電功率概率預測方法及展望[J]. 吳問足,喬穎,魯宗相,汪寧渤,周強.  電力系統(tǒng)自動化. 2017(18)
[3]基于數(shù)值天氣預報及模糊聚類的風電功率智能組合預測[J]. 楊家然,王興成,羅曉芬,蔣程.  太陽能學報. 2017(03)
[4]一種基于Beta分布的風電功率預測誤差最小概率區(qū)間的模型和算法[J]. 楊宏,苑津莎,張鐵峰.  中國電機工程學報. 2015(09)
[5]基于GA優(yōu)化SVM的風電功率的超短期預測[J]. 劉愛國,薛云濤,胡江鷺,劉路平.  電力系統(tǒng)保護與控制. 2015(02)
[6]基于小樣本集的網(wǎng)側(cè)風電功率預測方法[J]. 魏國清,黃良毅,楊蘋,鄒澍.  電力建設. 2014(09)
[7]基于非參數(shù)核密度估計的風電功率區(qū)間預測[J]. 孫建波,吳小珊,張步涵.  水電能源科學. 2013(09)
[8]基于數(shù)值天氣預報的風電功率預測建模研究[J]. 王建成,楊蘋,楊曦.  可再生能源. 2013(02)
[9]基于分位點回歸的風電功率波動區(qū)間分析[J]. 李智,韓學山,楊明,鐘世民.  電力系統(tǒng)自動化. 2011(03)
[10]風電場風速及風電功率預測方法研究綜述[J]. 洪翠,林維明,溫步瀛.  電網(wǎng)與清潔能源. 2011(01)



本文編號：3503538