基于MEEMD-GAELM组合模型的短期风电功率预测

发布时间：2021-07-05 09:09

　　考虑到风电功率短期预测的准确性对电网调度具有重要作用,提出了一种由改进的集成经验稳态分解（MEEMD）与基于遗传算法优化的极限学习机（GAELM）相结合的短期风功率组合预测模型,首先对原始风功率时间序列进行总体平均经验模态分解（CEEMD）,通过排列熵剔除异常分量,再对剩余分量进行经验模态分解（EMD）,其结果即为MEEMD分解所得分量,对分量分别建立GAELM预测模型,将各分量预测结果相加,即得到最终预测结果。对东北某风电场实测数据进行试验表明,与传统预测方法相比,组合预测模型有效提高了短期风功率预测的精确性。 

【文章来源】：水电能源科学. 2020,38(08)北大核心

【文章页数】：4 页

【部分图文】：

东北某风电场连续8d风功率时序图

图1 东北某风电场连续8d风功率时序图对原始风功率时间序列进行EEMD分解的结果见图2(b）。由图2(b）可看出，EEMD分解方法共获得8个IMF和一个余项RS。高频率分量IMF1和IMF2周期短，分量曲线规律性差，由IMF3到低频分量及余项，曲线周期性逐渐显现。

为验证所提组合预测模型的有效性及精度，将MEEMD-GAELM与ELM、GAELM预测方法及EMD-GAELM、EEMD-GAELM、CEEMD-GAELM等组合预测模型的预测结果分别与实际值进行比较，结果见图3。由图3可看出，基于遗传算法优化后的ELM曲线拟合效果比优化前的ELM好，说明极限学习机的输入权值和隐藏层阈值经过遗传算法寻优后预测精度更高。通过EMD、EEMD、CEEMD、MEEMD等分解方法预先对非线性、非平稳的原始风功率时间序列进行处理的组合预测模型的曲线拟合效果均优于单一预测模型，说明对于风功率这种非线性且波动性大的时间序列，优先进行模态分解能降低波动性带来的预测误差，有效改善预测精度。而在EMD-GAELM、EEMD-GAELM、CEEMD-GAELM、MEEMD-GAELM四种组合预测模型中，MEEMD分解后再进行GAELM预测建模的组合方法预测曲线拟合度最高，说明MEEMD分解比EMD、EEMD、CEEMD三种分解方法更具有完备性，更能有效降低信号的间歇性和波动性对预测模型的影响，提高预测精度。同时，MEEMD-GAELM的误差波动幅度最小、最为平稳且最贴近零值，预测精度更高，预测效果更好。MEEMD-GAELM与GAELM预测方法及EMD-GAELM、EEMD-GAELM、CEEMD-GAELM、MEEMD-ELM等组合预测模型的预测结果评价指标见表2。由表2可看出，在三种预测评价指标中，与ELM、GAELM、EMD-GAELM、EEMD-GAELM、CEEMD-GAELM 5种模型相比，MEEMD-GAELM的MMAE、RRMSE、MMAPE值均最小，模型各项指标综合表现最优，与传统预测方法相比，预测精度有了明显提升。

【参考文献】：
期刊论文
[1]基于MEEMD与排列熵的风电功率超短期预测研究[J]. 曹威,刘长良,王梓齐,李海军.  可再生能源. 2019(03)
[2]基于CEEMD和GWO的超短期风速预测[J]. 王静,李维德.  电力系统保护与控制. 2018(09)
[3]基于改进PSO-ELM算法的混凝土坝变形非线性监控模型[J]. 张海龙,范振东.  水电能源科学. 2018(01)
[4]基于EEMD-GRNN的降水量预测分析[J]. 胡虎,杨侃,朱大伟,沈雪娇,田兆伟.  水电能源科学. 2017(04)
[5]基于GA-ELM神经网络的逐时太阳辐照量预测[J]. 徐静,黄南天,王文婷,戚佳金,徐世兵,于志勇.  电网与清洁能源. 2016(08)
[6]基于数据分层预处理的短期风功率预测研究[J]. 章伟,邓院昌,魏桢.  水电能源科学. 2013(11)
[7]改进的EEMD算法及其应用研究[J]. 郑近德,程军圣,杨宇.  振动与冲击. 2013(21)

硕士论文
[1]基于优化EMD分解和GA-BP神经网络的滚动轴承故障诊断研究[D]. 罗茜.湖南大学 2017



本文编号：3265788