基于天牛须搜索算法的短期风电功率组合预测

摘要：

为了提高风电功率预测精度,提出了一种完全集成经验模态分解(complete ensemble empirical mode decomposition adaptive noise,CEEMDAN)、极限学习机(extreme learning machine,ELM)和改进天牛须搜索算法(improved beetle antennae search algorithm,IBAS)的组合预测模型来预测风电功率.引入动态惯性权重改进天牛的位置更新方式,提高天牛须搜索算法的寻优能力.在预测过程中,首先通过CEEMDAN对原始风电功率数据进行预处理,将非平稳信号分解为一组按照频率和振幅大小排列的序列分量,减少数据波动带来的预测误差.然后利用IBAS优化ELM构建预测模型,分别预测每个序列分量,最后叠加每个序列分量的预测值得到最终预测值.仿真结果表明,与其他预测模型相比,本预测模型预测精度最高,评价指标平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute per-centage error,MAPE)均为最小,具有广阔的实际应用前景.

关键词：短期风电功率预测;完全集成经验模态分解;改进天牛须搜索算法;极限学习机

所属期刊栏目：22

分类号：TM712(输配电工程、电力网及电力系统)

资助基金：天津市自然科学基金19JCZDJC32100

在线出版日期：2022-02-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：540-546