基于互补式集合经验模态分解和IPSO＿LSSVM的短期风功率预测

发布时间：2021-11-15 04:20

　　针对风电出力随时间变化具有非线性特点,本文提出一种基于互补式集合经验模态分解（CEEMD）和改进粒子群算法最小二乘支持向量机（IPSO_LSSVM）新型风功率预测组合模型。首先该方法利用CEEMD将风速序列分解为一系列相当平稳风电分量,以减少不同频率功率信号之间相互影响;其次针对各分量不同特点,采用改进粒子群算法优化核函数相关参数建立各自对应预测模型;最后将不同分量预测数据进行叠加得到风功率预测结果。通过仿真验证,本预测模型有较高预测精度,在工程中具有一定实用价值。 

【文章来源】：水力发电. 2020,46(11)北大核心

【文章页数】：6 页

【部分图文】：

CEEMD算法流程

本文首先构建CEEMD-LSSVM预测模型，采用CEEMD算法对原始风功率数据分解得到各固定模态分量和剩余分量。采用基于最小二乘支持向量机算法分别对各分量建立相应预测模型进行仿真预测，为提高预测精度，采用改进粒子群算法对支持向量机的核函数参数进行优化。具体建模过程如图2所示。计算过程如下:(1)采用CEEMD算法对原始风功率序列进行分解得到固态模态分量和剩余分量。

本文采用新疆某实验风电场2019年5月4日至2019年5月7日历史风功率连续数据进行仿真分析，每15 min采样一个点，共采样384个点，风电场总装机容量为49.5 MW。原始风功率数据如图3所示。采用CEEMD算法对风功率分解后如图4所示，固定模态分量从高频到低频分量分别为IMF1至IMF5，剩余分量为R6。

【参考文献】：
期刊论文
[1]基于相似日和人工神经网络的风电功率短期预测研究[J]. 栾毅,杨永强,剡文林.  能源与环保. 2018(10)
[2]基于EEMD去噪和集对理论的风功率实时预测研究[J]. 杨茂,陈郁林,魏治成.  太阳能学报. 2018(05)
[3]基于CEEMD和膜计算优化支持向量机的风速预测[J]. 殷豪,董朕,陈云龙.  电力系统保护与控制. 2017(21)
[4]基于卡尔曼滤波和支持向量机的风电功率实时预测研究[J]. 杨茂,黄宾阳,江博,林思思.  东北电力大学学报. 2017(02)
[5]基于EEMD-IGSA-LSSVM的超短期风电功率预测[J]. 江岳春,杨旭琼,贺飞,陈礼锋,何钟南.  湖南大学学报(自然科学版). 2016(10)
[6]风电功率预测方法研究[J]. 范强,文贤馗,林呈辉,张建侠,陈和龙.  贵州电力技术. 2016(10)
[7]基于混沌时间序列GA-VNN模型的超短期风功率多步预测[J]. 江岳春,张丙江,邢方方,张雨,王志刚.  电网技术. 2015(08)
[8]基于最小二乘支持向量机的混合动力挖掘机负载功率预测[J]. 徐淼,赵丁选,倪涛,徐春博.  吉林大学学报(工学版). 2015(01)
[9]基于集合经验模态分解和小波神经网络的短期风功率组合预测[J]. 王贺,胡志坚,陈珍,仉梦林,贺建波,李晨.  电工技术学报. 2013(09)
[10]基于改进PSO算法和LS-SVM的短期电力负荷预测[J]. 潘磊,李丽娟,丁婷婷,刘对.  工矿自动化. 2012(09)

硕士论文
[1]基于IPSO-BP神经网络模型的风电功率预测研究[D]. 李操.武汉科技大学 2016



本文编号：3496017