基于样本熵和极端学习机的超短期风电功率组合预测模型

摘要：

该文提出一种经验模态分解(empirical mode 该文提出一种经验模态分解(empirical mode decomposition，EMD)-样本熵(sample entropy，SE)和极端学习机(extreme learning machine，ELM)相结合的风电功率超短期预测方法。该方法首先利用 EMD-SE 将风电功率时间序列分解为一系列复杂度差异明显的风电子序列；其次利用最小二乘支持向量机(least squares support vector machine， LSSVM)、极端学习机和经原始岭回归(primal ridge regression，PRR)改进的极端学习机(PRR-ELM)对各子序列建立组合预测模型，并采用交叉验证法和重构相空间法确定各模型的参数和输入向量维数，以提高各组合模型的预测精度；最后以某一风电场实际采集的数据为算例，结果表明基于EMD-SE理论的ELM和PRR-ELM组合预测模型在预测精度和训练速度上都明显优于 EMD-SE 理论和 LSSVM 的组合模型，且其预测结果更接近于真实值，为实现风电功率在线的较高精度超短期预测提供了可能。

关键词：风电预测、样本熵、极端学习机、岭回归、支持向量机

分类号：TM711;TM614(输配电工程、电力网及电力系统)

资助基金：国家自然科学基金项目51177091；山东省自然科学基金项目ZR2010EM055。Projects Supported by National Natural Science Foundation of China51177091;Projects Supported by Shandong Province Natural Science FoundationZR2010EM055

在线出版日期：2013-09-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：33-40