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

发布时间：2017-10-22 12:18

  本文关键词：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

  更多相关文章： 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

【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。
【作者单位】： 武汉大学电气工程学院;
【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
【基金】：国家重点基础研究发展计划项目(973项目)(2012CB215101) 国家自然科学基金项目(51309258)~~
【分类号】：TM614
【正文快照】： 0引言风电功率的间歇性和不确定性使得风电大规模接入电网对电力系统的安全稳定运行带来了严峻考验。提高短期风电功率预测精度,有利于电力系统调度部门制定调整发电计划、减小旋转备用容量、提高电网运行的安全可靠性[1]。由于风电功率受自然环境变化影响呈现出高度不确定性，

本文编号：1078339