針對(duì)風(fēng)電功率概率短期區(qū)間預(yù)測(cè)問(wèn)題,提出了基于集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）與人群搜索算法（SOA）優(yōu)化的核極限學(xué)習(xí)機(jī)（KELM）模型。首先,在風(fēng)電功率非平穩(wěn)性時(shí)頻分析的基礎(chǔ)上,利用EEMD將原始風(fēng)電功率序列分解為不同的子序列,并對(duì)各EEMD子序列建立基于上下限直接估量的預(yù)測(cè)子模型。然后,使用SOA尋求KELM子模型輸出權(quán)值上下限的最優(yōu)解,以?xún)?yōu)化模型預(yù)測(cè)性能。最后,以實(shí)際數(shù)據(jù)為算例,將本文模型與粒子群優(yōu)化（PSO）算法優(yōu)化的5種預(yù)測(cè)模型進(jìn)行對(duì)比。結(jié)果表明:EEMD-SOA-KELM模型收斂速度更快且全局收斂,可獲得更加可靠?jī)?yōu)良的區(qū)間預(yù)測(cè)結(jié)果。 

【文章來(lái)源】：動(dòng)力工程學(xué)報(bào). 2019,39(11)北大核心CSCD

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

頻譜圖圖１風(fēng)電功率時(shí)間序列及其頻譜圖（ｂ）

圖２風(fēng)電功率信號(hào)時(shí)頻分析圖Ｆｉｇ．２Ｔｉｍｅ－ｆｒｅｑｕｅｎｃｙａｎａｌｙｓｉｓｏｆｗｉｎｄｐｏｗｅｒｓｉｇｎａｌｓ的非平穩(wěn)特征明顯。如果僅用一個(gè)統(tǒng)一模型來(lái)預(yù)測(cè)風(fēng)電功率這種非平穩(wěn)信號(hào)特征，顯然會(huì)造成預(yù)測(cè)誤差。因此，筆者將非平穩(wěn)的功率信號(hào)通過(guò)分解單獨(dú)建模，降低信號(hào)的非平穩(wěn)性對(duì)預(yù)測(cè)精度的影響。ＥＭＤ是在１９９８年由學(xué)者Ｈｕａｎｇ提出的針對(duì)復(fù)雜非線性非平穩(wěn)信號(hào)的處理方法［１６］。利用ＥＭＤ可以將復(fù)雜的原始信號(hào)分解成一系列本征模態(tài)分量（ＩＭＦ）和一個(gè)剩余分量，分別表征不同尺度下原始信號(hào)的波動(dòng)特性以及整體時(shí)間序列的變化趨勢(shì)，由此可提取出信號(hào)本身的真實(shí)物理意義和局部特征。然而，原始信號(hào)的間歇性會(huì)使ＥＭＤ的分解出現(xiàn)固定模態(tài)的混淆現(xiàn)象，ＥＥＭＤ是ＥＭＤ的一種改進(jìn)算法［１７］，通過(guò)添加高斯白噪聲來(lái)改善模態(tài)混疊現(xiàn)象，步驟如下：（１）確定ＥＥＭＤ的分解次數(shù)ｎ和幅值固定的高斯白噪聲序列ｎｍ（ｔ）。（２）令ｍ＝１，在原始序列ｘ（ｔ）中加入高斯白噪聲序列ｎｍ（ｔ），即ｘｍ（ｔ）＝ｘ（ｔ）＋ｎｍ（ｔ）（１）式中：ｘｍ（ｔ）為加入高斯白噪聲后待分解的序列。（３）執(zhí)行第ｍ次ＥＭＤ分解，將ｘｍ（ｔ）分解為ｋ個(gè)ＩＭＦ分量ｃｉｍ和一個(gè)剩余分量ｒｍ（ｔ），其中ｉ＝１，２，…，ｋ。（４）若ｍ＜ｎ，則ｍ＝ｍ＋１，重復(fù)步驟（３），若達(dá)到分解次數(shù)，則執(zhí)行下步操作。（５）計(jì)算ｎ次實(shí)驗(yàn)得到的ＩＭＦ分量的

（Ｉ／Ｃ＋ΩＥＬＭ）－１Ｔβ＝（Ｉ／Ｃ＋ΩＥＬＭ）－１烅烄烆Ｔ（１１）與ＥＬＭ相比，ＫＥＬＭ用穩(wěn)定的核映射替代了ＥＬＭ中的隨機(jī)映射，模型的穩(wěn)定性和泛化能力得到增強(qiáng)，而且具有調(diào)節(jié)參數(shù)少、收斂速度快等優(yōu)勢(shì)。這是由于采用Ｋ（Ｘ，Ｘｉ）形式的核函數(shù)，無(wú)需預(yù)先設(shè)定隱含層節(jié)點(diǎn)的數(shù)目和偏置參數(shù)。筆者選取待預(yù)測(cè)時(shí)刻的風(fēng)速作為輸入，輸出數(shù)據(jù)Ｕ（Ｘ）和Ｌ（Ｘ）分別為待預(yù)測(cè)風(fēng)電功率區(qū)間上下限，建立了圖３所示的基于ＫＥＬＭ的風(fēng)電功率區(qū)間預(yù)測(cè)模型基本結(jié)構(gòu)。圖３極限學(xué)習(xí)機(jī)風(fēng)電功率區(qū)間預(yù)測(cè)模型Ｆｉｇ．３Ｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅｍｏｄｅｌｆｏｒｐｏｗｅｒｉｎｔｅｒｖａｌｐｒｅｄｉｃｔｉｏｎ２．２構(gòu)造預(yù)測(cè)區(qū)間優(yōu)化準(zhǔn)則２．２．１預(yù)測(cè)區(qū)間覆蓋率引入預(yù)測(cè)區(qū)間覆蓋率（ＰＩｃｏｖｅｒａｇｅｐｒｏｂａｂｉｌｉｔｙ，ＭＰＩＣＰ）指標(biāo)，其反映了實(shí)際觀測(cè)目標(biāo)值ｗｉ落在預(yù)測(cè)區(qū)間上下限內(nèi)的概率：ＭＰＩＣＰ＝１ＮｗＲ?Ｎｗｉ＝１Ｋ（α）ｉ（１２）式中：當(dāng)預(yù)測(cè)目標(biāo)值ｗｉ∈［Ｌｉ，Ｕｉ］時(shí)，κｉ為１，反之為０，Ｌｉ和Ｕｉ分別對(duì)應(yīng)預(yù)測(cè)區(qū)間的下限和上限；Ｎｗ為預(yù)測(cè)點(diǎn)的個(gè)數(shù)；ｗ為當(dāng)前觀測(cè)值序列；Ｒ表示預(yù)測(cè)目標(biāo)值的取值范圍，為歸一化值。２．２．２預(yù)測(cè)區(qū)間平均帶寬引入預(yù)測(cè)區(qū)間平均帶寬（ＰＩｎｏｒｍａｌｉｚｅｄａｖｅｒ－ａｇｅｗｉｄｔｈ，ＭＰＩＮＡＷ）指標(biāo)，以反映預(yù)測(cè)的清晰度：ＭＰＩＮＡＷ＝１Ｎ

【參考文獻(xiàn)】：
期刊論文
[1]基于風(fēng)速云模型相似日的短期風(fēng)電功率預(yù)測(cè)方法[J]. 閻潔,許成志,劉永前,韓爽,李莉.  電力系統(tǒng)自動(dòng)化. 2018(06)
[2]風(fēng)電功率概率預(yù)測(cè)方法及展望[J]. 吳問(wèn)足,喬穎,魯宗相,汪寧渤,周強(qiáng).  電力系統(tǒng)自動(dòng)化. 2017(18)
[3]基于數(shù)值天氣預(yù)報(bào)及模糊聚類(lèi)的風(fēng)電功率智能組合預(yù)測(cè)[J]. 楊家然,王興成,羅曉芬,蔣程.  太陽(yáng)能學(xué)報(bào). 2017(03)
[4]一種基于Beta分布的風(fēng)電功率預(yù)測(cè)誤差最小概率區(qū)間的模型和算法[J]. 楊宏,苑津莎,張鐵峰.  中國(guó)電機(jī)工程學(xué)報(bào). 2015(09)
[5]基于GA優(yōu)化SVM的風(fēng)電功率的超短期預(yù)測(cè)[J]. 劉愛(ài)國(guó),薛云濤,胡江鷺,劉路平.  電力系統(tǒng)保護(hù)與控制. 2015(02)
[6]基于小樣本集的網(wǎng)側(cè)風(fēng)電功率預(yù)測(cè)方法[J]. 魏國(guó)清,黃良毅,楊蘋(píng),鄒澍.  電力建設(shè). 2014(09)
[7]基于非參數(shù)核密度估計(jì)的風(fēng)電功率區(qū)間預(yù)測(cè)[J]. 孫建波,吳小珊,張步涵.  水電能源科學(xué). 2013(09)
[8]基于數(shù)值天氣預(yù)報(bào)的風(fēng)電功率預(yù)測(cè)建模研究[J]. 王建成,楊蘋(píng),楊曦.  可再生能源. 2013(02)
[9]基于分位點(diǎn)回歸的風(fēng)電功率波動(dòng)區(qū)間分析[J]. 李智,韓學(xué)山,楊明,鐘世民.  電力系統(tǒng)自動(dòng)化. 2011(03)
[10]風(fēng)電場(chǎng)風(fēng)速及風(fēng)電功率預(yù)測(cè)方法研究綜述[J]. 洪翠,林維明,溫步瀛.  電網(wǎng)與清潔能源. 2011(01)



本文編號(hào)：3503538