基于小波分解和极限学习机的短期风速组合预测研究.pdf

第 33 卷 第 8 期 可再生能源 Vol.33 No.8 2015 年 8 月 Renewable Energy Resources Aug. 2015 基于小波分解和极限学习机的 短期风速组合预测研究 汪小明 1 ， 肖 猛 1 ， 杨 楠 2 ， 尹 笋 1 （1.国网四川省电力公司 经济技术研究院（成都城电电力工程设计有限公司）， 四川 成都 610041 ； 2.三峡大学 新能源微电网湖北省协同创新中心， 湖北 宜昌 443000 ） 摘 要： 提出一种基于小波分解（ ， ）和极限学习机（ ， ）的 Wavelet Decomposition WD Extreme Learning Machine ELM 新型短期风速组合预测模型。 首先，采用小波分解将风速序列分解成不同频段的分量，以降低序列的非平稳性； 其次，为避免极限学习机输入维数选取的随意性等问题，先对各分量进行重构相空间，再使用改进的极限学习 机对各分量分别建模预测；最后，将各分量预测结果叠加得到最终预测结果。 实验结果表明，文章所提的组合预 测模型具有较高的预测精度。 关键词： 风速； 预测； 极限学习机； 小波分解； 相空间重构 中图分类号： 文献标志码： 文章编号： （ ） TM76 A 1671-5292 2015 08-1159-05 DOI:10.13941/ki.21-1469/tk.2015.08.007 0 引言 值。 极限学习机极大地提高了网络的学习速度和 风能的间歇性和随机性使其输出功率波动较 泛化能力，具有较强的非线性拟合能力，并且在模 [11] 大， 风电并网后对电力系统调度和电能质量都造 式分类 、非线性预测等方面取得了较好的效果。 [1] 成影响 。 如果能对风速进行有效预测，则可以减 然而， 风速序列作为一种具有非线性和非平稳性 少电力系统备用容量、降低系统运行成本，从而提 的特殊序列信号， 极限学习机虽然可以很好地拟 [2] 高风电在电网中的装机容量和竞争力 。 合风速的非线性部分， 但是风速的非平稳性会对 研究人员在风速预测方面进行了大量研究， 预测效果造成较大影响， 因此降低风速的非平稳 并取得了一系列成果。 目前，建立的预测模型主要 性尤为重要。 小波变换可以将一个复杂的非平稳 有：回归模型、高斯过程回归模型、支持向量机模 性信号分解成不同频率段信号， 从而有效降低序