第３８卷第２期２０２３年４月安徽工程大学学报JournalofAnhuiPolytechnicUniversityVol．３８No．２Apr．２０２３文章编号:１６７２Ｇ２４７７(２０２３)０２Ｇ００２７Ｇ０８收稿日期:２０２２Ｇ０６Ｇ０４基金项目:安徽省教育厅重大基金资助项目(KJ２０２０ZD３９);安徽省检测技术与节能装置重点实验室开放基金资助项目(DTESD２０２０A０２)作者简介:苏忠德(１９９６Ｇ),男,安徽明光人,硕士研究生.通信作者:陆华才(１９７５Ｇ),男,安徽天长人,教授,博士.基于CEEMDANＧISSAＧLSSVM模型的短期风电功率预测苏忠德,陆华才∗,魏利胜(安徽工程大学电气传动与控制安徽省重点实验室,安徽芜湖２４１０００)摘要:为提高风电功率预测的准确性,采用基于自适应噪声完备集成经验模态分解、改进樽海鞘群算法及最小二乘支持向量机的短期风电功率组合预测方法.首先采用自适应噪声完备集成经验模态分解将功率数据分解为若干个本征模态分量和一个残差,通过偏自相关函数确定输入维数;然后建立改进樽海鞘群算法优化最小二乘支持向量机预测模型对各个分量进行预测;最后将各分量预测结果叠加得到风电功率预测结果.仿真结果表明,所提出的模型在短期风电多步预测中精度更高.关键词:自适应噪声完备集成经验模态分解;樽海鞘群算法;最小二乘支持向量机;偏自相关函数;多步预测中图分类号:TM６１４文献标志码:A风能作为一种重要的可再生能源,具有分布广、储量高、无污染等特点受到很多国家的重视[１].然而风力发电具有很强的随机性和波动性,随着风电装机占比的逐年上升,大规模风电并网对电力系统的运行安全带来严峻的挑战[２].因此,准确的风电功率预测有利于及时调整调度规划和提高电网的运行安全[３].风电功率预测的方法通常分为物理法和统计学方法[４].物理法不需要历史数据的支持,其原理是利用数值天气预报的风速、风向作为输入数据,再结合风机周围的地表信息建立数学模型进行求解[５];统计方法是根据历史数据建立预测模型,常用的统计学方法有支持向量机(SupportVectorMachines,SVM)[６]、极限学习机(ExtremeLearningMachine,ELM)[７]、随机森林(RandomForest,RF)[８]和人工神经网络(ArtificialNeuralNetworks,ANN)[９]等.最小二乘支持向量机相比支持向量机具有更高的运算速度和收敛精度,因而在风电功率预测中广泛应用[１０].文献[１１]提出最小二乘支持向量机的风电功率超短期预测方法,并采用量子行为特征粒子群算法对最小二乘支持向量机相关参数进行优化,具有较高的预测精...
