首页|基于改进核极限学习机的风电功率短期预测

基于改进核极限学习机的风电功率短期预测

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
针对环境变化造成风力发电功率波动大和核极限学习机易陷入局部最优解的问题,构建了一种基于完全噪声辅助聚合经验模态分解(complete ensemble empirical mode decom-position with adaptive noise analysis,CEEMDAN)、小波阈值去噪和粒子群算法优化核极限学习机的风电功率短期预测模型.首先,利用CEEMDAN对风力发电输出功率密切相关的环境因素进行分解,得到若干个规律性较强的模态分量,利用阈值去噪法对含噪声较多的第一模态分量进行去噪,削弱环境因素的非平稳性;然后,将分解后的子分量和风电功率历史数据作为粒子群优化后的核极限学习机算法的输入进行预测;最后,选用河北张家口某风电场的实测数据进行实验对比分析.实验结果表明:所提出的改进风电功率预测组合模型的预测精度更高,适应于不同季节环境下的风电功率预测.
Short-term prediction of wind power based on improved kernel extreme learning machines

黄文聪、潘风、杨子潇、常雨芳

展开 >

湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室,武汉 430068

风电功率预测 完全噪声辅助聚合经验模态分解 小波阈值去噪 核极限学习机 粒子群算法

国家自然科学基金

61903129

2023

10.3969/j.issn.1674-8425(z).2023.02.027

重庆理工大学学报
重庆理工大学

重庆理工大学学报

CSTPCD北大核心
影响因子：0.567
ISSN：1674-8425
年,卷(期)：2023.37(4)
  • 1
  • 8