基于天牛须搜索算法的短期风电功率组合预测

• 全文链接
• 请求原文

作   者：

单斌斌;  李华;  谷瑞政;  李玲玲; 

作者机构：

河北工业大学电气工程学院/省部共建电工装备可靠性与智能化国家重点实验室/河北省电磁场与电器可靠性重点实验室;  国网天津市电力有限公司; 

关键词：

极限学习机;  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; 

期刊名称：

科学技术与工程

i s s n：

1671-1815

年卷期：

2022 年 22 卷 002 期

页   码：

540-546

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.