基于極限學習機的風電功率預測研究.pdf

1、由于風能的隨機性和間歇性，風電場的發(fā)電輸出功率往往具有很強的波動性，這將對電網(wǎng)造成極大的沖擊，給電網(wǎng)計劃和調(diào)度帶來困難與挑戰(zhàn)。因而，精確可靠的風電功率預測對優(yōu)化電網(wǎng)運行的成本和提高電力系統(tǒng)的可靠性極其重要。目前，借助現(xiàn)代統(tǒng)計方法的預測模型，如神經(jīng)網(wǎng)絡、支持向量機等已被廣泛應用到超短期及短期風電功率預測中。極限學習機(ELM)作為一種新型的單隱層前饋神經(jīng)網(wǎng)絡(SLFNs)，它能以極快的學習速度獲得良好的推廣性能，并在風電功率超短期及短期預

2、測中已有成功的應用。在ELM的基礎上，核極限學習機(KELM)以核函數(shù)表示未知的隱含層非線性特征映射，通過正則化最小二乘算法計算網(wǎng)絡的輸出權(quán)值，并且該方法無需主觀的設定網(wǎng)絡隱含層節(jié)點的數(shù)目。為進一步提高風電功率超短期與短期預測的精度，本文以KELM方法為主線，研究其在風電功率組合預測及單一預測方面的應用。
　　本文的主要研究內(nèi)容如下：
　　(1)在ELM理論的基礎上，對KELM的基本學習算法及其高斯核函數(shù)和小波核函數(shù)進行了深

3、入研究，并考慮將正則化最小二乘算法應用于其網(wǎng)絡的輸出權(quán)值求解中，以便提高KELM的泛化能力。
　　(2)從組合預測模型的角度出發(fā)，首先，對原始的風電功率時間序列進行了分析。其次，在經(jīng)驗模態(tài)分解(EMD)的基礎上，研究了具有自適應白噪聲的完整集成經(jīng)驗模態(tài)(CEEMDAN)信號分解方法，結(jié)合模糊熵(FE)，給出了一種基于CEEMDAN-FE和 KELM的組合預測方法。將其應用于某地區(qū)的風電功率短期預測實例中，并與EMD-KELM、EE

4、MD-KELM等組合預測方法，及單一的KELM方法進行比較。實驗結(jié)果表明，CEEMDAN-FE-KELM的組合預測方法預測精度最好。
　　(3)在 KELM的基礎上，結(jié)合優(yōu)化算法，給出了一種基于優(yōu)化的核極限學習機(O-KLEM)的預測方法。分別利用遺傳算法(GA)、模擬退火(SA)、微分演化(DE)三種優(yōu)化算法對模型的輸入變量、核參數(shù)與正則化系數(shù)進行優(yōu)化選擇，進而形成O-KELM方法的三種不同算法：GA-KELM、DE-KELM、

5、SA-KELM。將O-KLEM方法應用于混沌時間序列直接六步預測中，在同等情況下，并與優(yōu)化的極限學習機(O-ELM)方法進行比較。從仿真結(jié)果可以看出， O-KELM方法的預測精度比O-ELM方法提高約一個數(shù)量級。并且DE-KELM算法具有最低的均方根誤差。然后，將 O-KELM方法應用于某地區(qū)風電場的風電功率預測實例中，分別進行提前10分鐘的單步和提前20分鐘、提前30分鐘、提前40分鐘的風電功率時間序列直接多步預測，用于評價 O-KE