基于EEMD的SOA-KELM风电功率概率性短期区间预测

发布时间：2021-11-18 20:10

　　针对风电功率概率短期区间预测问题,提出了基于集合经验模态分解（EEMD）与人群搜索算法（SOA）优化的核极限学习机（KELM）模型。首先,在风电功率非平稳性时频分析的基础上,利用EEMD将原始风电功率序列分解为不同的子序列,并对各EEMD子序列建立基于上下限直接估量的预测子模型。然后,使用SOA寻求KELM子模型输出权值上下限的最优解,以优化模型预测性能。最后,以实际数据为算例,将本文模型与粒子群优化（PSO）算法优化的5种预测模型进行对比。结果表明:EEMD-SOA-KELM模型收敛速度更快且全局收敛,可获得更加可靠优良的区间预测结果。 

【文章来源】：动力工程学报. 2019,39(11)北大核心CSCD

【文章页数】：9 页

【部分图文】：

频谱图图１风电功率时间序列及其频谱图（ｂ）

图２风电功率信号时频分析图Ｆｉｇ．２Ｔｉｍｅ－ｆｒｅｑｕｅｎｃｙａｎａｌｙｓｉｓｏｆｗｉｎｄｐｏｗｅｒｓｉｇｎａｌｓ的非平稳特征明显。如果仅用一个统一模型来预测风电功率这种非平稳信号特征，显然会造成预测误差。因此，笔者将非平稳的功率信号通过分解单独建模，降低信号的非平稳性对预测精度的影响。ＥＭＤ是在１９９８年由学者Ｈｕａｎｇ提出的针对复杂非线性非平稳信号的处理方法［１６］。利用ＥＭＤ可以将复杂的原始信号分解成一系列本征模态分量（ＩＭＦ）和一个剩余分量，分别表征不同尺度下原始信号的波动特性以及整体时间序列的变化趋势，由此可提取出信号本身的真实物理意义和局部特征。然而，原始信号的间歇性会使ＥＭＤ的分解出现固定模态的混淆现象，ＥＥＭＤ是ＥＭＤ的一种改进算法［１７］，通过添加高斯白噪声来改善模态混叠现象，步骤如下：（１）确定ＥＥＭＤ的分解次数ｎ和幅值固定的高斯白噪声序列ｎｍ（ｔ）。（２）令ｍ＝１，在原始序列ｘ（ｔ）中加入高斯白噪声序列ｎｍ（ｔ），即ｘｍ（ｔ）＝ｘ（ｔ）＋ｎｍ（ｔ）（１）式中：ｘｍ（ｔ）为加入高斯白噪声后待分解的序列。（３）执行第ｍ次ＥＭＤ分解，将ｘｍ（ｔ）分解为ｋ个ＩＭＦ分量ｃｉｍ和一个剩余分量ｒｍ（ｔ），其中ｉ＝１，２，…，ｋ。（４）若ｍ＜ｎ，则ｍ＝ｍ＋１，重复步骤（３），若达到分解次数，则执行下步操作。（５）计算ｎ次实验得到的ＩＭＦ分量的

（Ｉ／Ｃ＋ΩＥＬＭ）－１Ｔβ＝（Ｉ／Ｃ＋ΩＥＬＭ）－１烅烄烆Ｔ（１１）与ＥＬＭ相比，ＫＥＬＭ用稳定的核映射替代了ＥＬＭ中的随机映射，模型的稳定性和泛化能力得到增强，而且具有调节参数少、收敛速度快等优势。这是由于采用Ｋ（Ｘ，Ｘｉ）形式的核函数，无需预先设定隐含层节点的数目和偏置参数。笔者选取待预测时刻的风速作为输入，输出数据Ｕ（Ｘ）和Ｌ（Ｘ）分别为待预测风电功率区间上下限，建立了图３所示的基于ＫＥＬＭ的风电功率区间预测模型基本结构。图３极限学习机风电功率区间预测模型Ｆｉｇ．３Ｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅｍｏｄｅｌｆｏｒｐｏｗｅｒｉｎｔｅｒｖａｌｐｒｅｄｉｃｔｉｏｎ２．２构造预测区间优化准则２．２．１预测区间覆盖率引入预测区间覆盖率（ＰＩｃｏｖｅｒａｇｅｐｒｏｂａｂｉｌｉｔｙ，ＭＰＩＣＰ）指标，其反映了实际观测目标值ｗｉ落在预测区间上下限内的概率：ＭＰＩＣＰ＝１ＮｗＲ?Ｎｗｉ＝１Ｋ（α）ｉ（１２）式中：当预测目标值ｗｉ∈［Ｌｉ，Ｕｉ］时，κｉ为１，反之为０，Ｌｉ和Ｕｉ分别对应预测区间的下限和上限；Ｎｗ为预测点的个数；ｗ为当前观测值序列；Ｒ表示预测目标值的取值范围，为归一化值。２．２．２预测区间平均带宽引入预测区间平均带宽（ＰＩｎｏｒｍａｌｉｚｅｄａｖｅｒ－ａｇｅｗｉｄｔｈ，ＭＰＩＮＡＷ）指标，以反映预测的清晰度：ＭＰＩＮＡＷ＝１Ｎ

【参考文献】：
期刊论文
[1]基于风速云模型相似日的短期风电功率预测方法[J]. 阎洁,许成志,刘永前,韩爽,李莉.  电力系统自动化. 2018(06)
[2]风电功率概率预测方法及展望[J]. 吴问足,乔颖,鲁宗相,汪宁渤,周强.  电力系统自动化. 2017(18)
[3]基于数值天气预报及模糊聚类的风电功率智能组合预测[J]. 杨家然,王兴成,罗晓芬,蒋程.  太阳能学报. 2017(03)
[4]一种基于Beta分布的风电功率预测误差最小概率区间的模型和算法[J]. 杨宏,苑津莎,张铁峰.  中国电机工程学报. 2015(09)
[5]基于GA优化SVM的风电功率的超短期预测[J]. 刘爱国,薛云涛,胡江鹭,刘路平.  电力系统保护与控制. 2015(02)
[6]基于小样本集的网侧风电功率预测方法[J]. 魏国清,黄良毅,杨苹,邹澍.  电力建设. 2014(09)
[7]基于非参数核密度估计的风电功率区间预测[J]. 孙建波,吴小珊,张步涵.  水电能源科学. 2013(09)
[8]基于数值天气预报的风电功率预测建模研究[J]. 王建成,杨苹,杨曦.  可再生能源. 2013(02)
[9]基于分位点回归的风电功率波动区间分析[J]. 李智,韩学山,杨明,钟世民.  电力系统自动化. 2011(03)
[10]风电场风速及风电功率预测方法研究综述[J]. 洪翠,林维明,温步瀛.  电网与清洁能源. 2011(01)



本文编号：3503538