基于CEEMDAN-精细复合多尺度熵和Stacking集成学习的短期风电功率预测

作者：康文豪; 徐天奇; 王阳光; 邓小亮; 李琰^*

来源：水利水电技术(中英文), 2022, 53(02): 163-172.

DOI：10.13928/j.cnki.wrahe.2022.02.016

• 短期风电功率预测
• CEEMDAN
• 精细复合多尺度熵
• Stacking集成学习
• 影响因素
• 新能源
• 清洁可再生能源

为了解决风电功率的间歇性与非平稳性带来的功率预测难度，提出了一种基于CEEMDAN-精细复合多尺度熵和Stacking集成学习的短期风电功率预测方法。在对风电功率进行预测之前，对风电功率数据进行预处理。首先引入自适应噪声完备集合经验模态分解(CEEMDAN)方法分解风电功率原始序列，并计算各分解分量的精细复合多尺度熵(RCMSE)。然后，将熵值相近的分量序列重组成新序列，以降低模型复杂度和提高计算效率。在预测阶段，对重组之后的序列分别建立Stacking集成学习模型进行风电功率短期预测，最后对预测结果进行重组。通过新疆某风电场实测数据证明：结合各单一预测模型优点的Stacking集成学习模型方法与其4种基学习器KNN、RF、SVR和ANN相比，Stacking模型具有更高的风电预测准确度。在同等条件下，CEEMDAN-RCMSE-Stacking模型均方根误差相比单一的Stacking模型及EMD-RCMSE-Stacking模型分别减少了20.34%和9.74%,平均绝对误差分别减少了24.55%和6.35%,而拟合优度系数分别提高了4.09%和1.62%,即CEEMDAN-RCMSE-Stacking模型拥有更高的预测性能。

• 单位
  云南民族大学; 国网湖南省电力有限公司