基于VMD-SE和机器学习算法的短期风电功率多层级综合预测模型

被引：27

作者：

张亚超

刘开培

秦亮

机构：

[1] 武汉大学电气工程学院

来源：

电网技术 | 2016年 / 40卷 / 05期

关键词：

短期风电功率多步预测; 可变模式分解; 机器学习; 仿生鸡群优化; 多层级综合模型;

D O I：

10.13335/j.1000-3673.pst.2016.05.007

中图分类号：

TM614 [风能发电];

学科分类号：

0807 ;

摘要：

针对风电功率受自然环境变化影响,难以建立精确数学模型对其进行预测的问题,采用一种新型的可变模式分解(variational mode decomposition,VMD)技术,将原始风电功率序列分解为一系列有限带宽子模式以降低其不稳定性,根据子模式的样本熵(sample entropy,SE)分析其复杂度并重组得到子序列。在此基础上,结合3种不同的机器学习基模型,提出一种基于VMD-SE和基模型的自适应多层级综合预测模型,并采用一种基于混沌萤火虫结合仿真鸡群优化的智能算法,对其权重矩阵进行实时调整。仿真结果表明,基于VMD的组合模型较采用聚类经验模式分解时预测精度明显提高,且所提综合模型的预测精度较组合模型有了进一步的改善。因此,所提综合模型能有效提高短期风电功率多步预测的准确性。

引用

页码：1334 / 1340

页数：7

共 11 条

[1] 基于聚类经验模态分解和最小二乘支持向量机的短期风速组合预测 [J].

王贺 ;

胡志坚 ;

张翌晖 ;

李晨 ;

杨楠 ;

王战胜 .

电工技术学报, 2014, 29 (04) :237-245

[2] 基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测 [J].

陈道君 ;

龚庆武 ;

金朝意 ;

张静 ;

王定美 .

电网技术, 2013, 37 (04) :974-980

[3] 基于小波包和支持向量回归的风速预测 [J].

陈盼 ;

陈皓勇 ;

叶荣 ;

陈天恩 ;

李丹 .

电网技术, 2011, 35 (05) :177-182

[4] 风电场输出功率的组合预测模型 [J].

刘纯 ;

范高锋 ;

王伟胜 ;

戴慧珠 .

电网技术, 2009, 33 (13) :74-79

[5]

A self-adaptive hybrid approach for wind speed forecasting[J] . Jianzhou Wang,Jianming Hu,Kailiang Ma,Yixin Zhang.Renewable Energy . 2015

[6]

An effective semi-cross-validation model selection method for extreme learning machine with ridge regression[J] . Zhifei Shao,Meng Joo Er,Ning Wang.Neurocomputing . 2014

[7]

A Review of Combined Approaches for Prediction of Short-Term Wind Speed and Power[J] . A. Tascikaraoglu,M. Uzunoglu.Renewable and Sustainable Energy Reviews . 2014

[8] Application of echo state networks in short-term electric load forecasting [J].

Deihimi, Ali ;

Showkati, Hemen .

ENERGY, 2012, 39 (01) :327-340

[9] Intelligent prognostics for battery health monitoring based on sample entropy [J].

Widodo, Achmad ;

Shim, Min-Chan ;

Caesarendra, Wahyu ;

Yang, Bo-Suk .

EXPERT SYSTEMS WITH APPLICATIONS, 2011, 38 (09) :11763-11769

[10]

Extreme learning machine: Theory and applications[J] . Guang-Bin Huang,Qin-Yu Zhu,Chee-Kheong Siew.Neurocomputing . 2006 (1)

← 1 2 →