基于EMD-ELM-LSTM的短期风电功率预测

作者：程先龙; 保佑智; 何度江; 梁健; 方伟; 杨博^*

来源：昆明理工大学学报(自然科学版), 2023, 48(06): 78-87.

DOI：10.16112/j.cnki.53-1223/n.2023.06.452

• 风电功率预测
• 经验模态分解
• 极限学习机
• 长短期记忆网络

风电出力的波动性和随机性较强，给电网功率调度带来了极大的困难.如何准确预测风电功率对电网的功率供需平衡和安全稳定运行具有重要的意义.本文提出了一种基于经验模态分解(Empirical Mode Decomposition, EMD)、极限学习机(Extreme Learning Machine, ELM)和长短期记忆网络(Long Short-Term Memory, LSTM)的风电功率预测组合模型.首先，对数据集进行预处理，识别并处理数据集中的异常数据，并对数据进行归一化处理以降低不同数据之间的差异性；其次对风电功率进行EMD分解以得到有限分量；然后将所有数据输入ELM-LSTM模型，并根据风电功率分量的特征选择ELM或LSTM对分量进行预测；最后叠加各子序列得到风电功率的最终预测结果.为验证所提模型的有效性和先进性，利用传统的BP神经网络、LSTM网络、CNN-LSTM网络、ELM以及本文所提模型，分别对我国西南某风电场的实测数据进行预测.测试结果表明，所提EMD-ELM-LSTM组合预测模型可以有效提高风电功率预测精度.

• 单位
  昆明理工大学; 云南电网有限责任公司