基于EEMDCAN的SVM短期风电功率预测

作者：谢碧霞; 林丽君; 白阳振

来源：电力科学与工程, 2019, 35(07): 62-67.

• 集成经验模态分解
• 粒子群算法
• 支持向量机
• 短期风电功率预测

采用一种基于互补自适应噪声集成经验模态分解(Ensemble Empirical Mode Decomposition with Complementary Adaptive Noise,EEMDCAN)的支持向量机(SVM)短期风电功率组合预测方法以克服风电功率的强非线性、大波动性的特性。EEMDCAN算法在序列分解中加入成对的正负噪声分量有效提高序列重构精度和分解速度。对分解得到不同复杂度的子序列建立相应的SVM预测模型,并利用粒子群算法对SVM模型参数进行优化,改善模型预测能力。将各子序列得到的预测结果合成得到最终的风电功率预测值。实例分析表明基于该方法的预测模型能较好地跟踪风电功率的变化,与单独SVM方法及SVM组合预测方法预测结果对比,该预测模型的预测精度更高。

• 单位
  中国能源建设集团浙江省电力设计院有限公司