基于EMD分解的风力机功率特性分析与预测建模

被引：20

作者：

文孝强 ^{[1
,2
]}

许洋 ^{[1
]}

机构：

[1] 东北电力大学自动化工程学院

[2] 吉林省精密驱动智能控制国际联合研究中心

来源：

太阳能学报 | 2021年 / 42卷 / 11期

关键词：

风力机功率; 预测; 建模; 神经网络; EMD; 蚁群优化;

D O I：

10.19912/j.0254-0096.tynxb.2019-1272

中图分类号：

TM315 [风力发电机];

学科分类号：

080802 [电力系统及其自动化];

摘要：

以实际风力机功率数据为基础,通过经验模态分解(EMD)将风力机功率时间序列分解为多个特征模态函数。利用分形理论对风力机功率时间序列各分量的局部时频特性进行研究判断,并对新的风力机功率时间序列进行重构。然后,利用最大Lyapunov指数等特性指标分析风力机功率时间序列的混沌特性,并分别分析3个尺度子序列的行为动力学特性。最后,建立基于蚁群优化极值学习机制,构建风力机功率时间序列预测模型。仿真结果表明,该模型比其他单一预测模型具有更高的预测精度,可用于工程实际。

引用

页码：293 / 298

页数：6

共 13 条

[1]

基于EMD与加权马尔可夫链QR法的风电功率区间预测 [J].

杨锡运 ;

马雪 ;

张洋 ;

张璜 ;

耿娜 .

太阳能学报, 2020, 41 (02) :66-72

[2]

基于聚类与非参数核密度估计的风电功率预测误差分析 [J].

张晓英 ;

张晓敏 ;

廖顺 ;

陈伟 ;

王晓兰 .

太阳能学报, 2019, 40 (12) :3594-3604

[3]

计及需求响应的风电并网系统可用输电能力计算 [J].

陈厚合 ;

褚云溪 ;

张撼难 ;

李凌 ;

张儒峰 .

东北电力大学学报, 2019, 39 (05) :1-8

[4]

基于极限学习机与格兰杰检验的风电功率缺失数据补齐 [J].

杨茂 ;

王金鑫 ;

都键 .

东北电力大学学报, 2019, 39 (04) :27-34

[5]

含风电接入多端直流输电系统的建模仿真 [J].

李硕 ;

钟诚 ;

黄路恒 ;

郑雷 ;

高玉喜 .

东北电力大学学报, 2019, 39 (02) :39-46

[6]

基于改进的小波-BP神经网络的风速和风电功率预测 [J].

肖迁 ;

李文华 ;

李志刚 ;

刘金龙 ;

刘会巧 .

电力系统保护与控制, 2014, 42 (15) :80-86

[7]

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

[8]

基于不确定性特征挖掘的风电系统预测与决策理论研究 [D].

梁正堂 .

山东大学,

2017

[9]

Forecasting aggregated wind power production of multiple wind farms using hybrid wavelet-PSO-NNs [J].

Mandal, Paras ;

Zareipour, Hamidreza ;

Rosehart, William D. .

INTERNATIONAL JOURNAL OF ENERGY RESEARCH, 2014, 38 (13) :1654-1666

[10]

Short-term wind speed prediction using an unscented Kalman filter based state-space support vector regression approach.[J].Kuilin Chen;Jie Yu.Applied Energy.2014,

← 1 2 →