基于EEMD的SOA-KELM风电功率概率性短期区间预测

• 作者: 康宁 杨锡运 杨雨薇 苏杰
• 来源期刊: 动力工程学报
• 学科: 工学
• 关键词: 风电功率 集合经验模态分解 区间预测 人群搜索算法 核极限学习机
• 年，卷（期）: 2019,（11）
• 所属期刊栏目: 新能源
• 页码范围: 926-933,952
• 页数: 9页
• 分类号: TM614
• 字数: 6189字
• 语种: 中文

摘要

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	苏杰	华北电力大学控制与计算机工程学院	51	235	9.0	13.0
2	杨锡运	华北电力大学控制与计算机工程学院	51	850	14.0	29.0
3	康宁	华北电力大学控制与计算机工程学院	1	0	0.0	0.0
4	杨雨薇	华北电力大学控制与计算机工程学院	1	0	0.0	0.0