基于CEEMDAN-MFO-RBF的风电功率短期预测

谷凯文; 魏霞; 黄德启; 叶家豪; 王赛

doi:10.13568/j.cnki.651094.651316.2020.12.17.0001

您当前的位置：

首页 >

文章列表页 >

基于CEEMDAN-MFO-RBF的风电功率短期预测

工程技术 | 更新时间：2026-01-21

- 基于CEEMDAN-MFO-RBF的风电功率短期预测
- 基于CEEMDAN-MFO-RBF的风电功率短期预测
- 新疆大学学报（自然科学版中英文） 2022年39卷第1期页码：111-118
- 作者机构：
  
  新疆大学电气工程学院
- 作者简介：
- 基金信息：
  
  国家自然科学基金（51468062）
- DOI：10.13568/j.cnki.651094.651316.2020.12.17.0001
  中图分类号： TM614
- 纸质出版：2022
- 稿件说明：
移动端阅览
[1]谷凯文,魏霞,黄德启,等.基于CEEMDAN-MFO-RBF的风电功率短期预测[J].新疆大学学报(自然科学版)(中英文),2022,39(01):111-118.
[1]谷凯文,魏霞,黄德启,等.基于CEEMDAN-MFO-RBF的风电功率短期预测[J].新疆大学学报(自然科学版)(中英文),2022,39(01):111-118. DOI： 10.13568/j.cnki.651094.651316.2020.12.17.0001.

DOI：10.13568/j.cnki.651094.651316.2020.12.17.0001.

摘要

文中提出一种基于自适应噪声完整集成经验模态分解与飞蛾扑火算法优化径向基神经网络的短期风电功率预测方法.首先

利用自适应噪声完整集成经验模态分解对风电功率信号进行分解

以获得不同时间尺度的固有模态函数分量和剩余分量

该方法相较于经验模态分解与集成经验模态分解具有更好的收敛性和完整性.其次

利用飞蛾扑火算法优化径向基神经网络的结构参数来提高网络的泛化能力

构建风电功率预测模型.最后

将分解后的各个分量分别输入风电功率预测模型

得到各分量的预测结果

再将各分量的预测结果线性组合得到最终的风电功率预测结果.算例结果表明

文中的预测模型对风力发电功率具有更好的预测性能.

Abstract

This paper proposes a short-term wind power prediction method based on complete ensemble empirical mode decomposition with adaptive noise and moth-flame optimization to optimize the radial basis function neural network. Firstly

complete ensemble empirical mode decomposition with adaptive noise is used to decompose the wind power signal to obtain the intrinsic modal function components and residual components of different time scales. Compared with empirical mode decomposition and ensemble empirical mode decomposition

this method has better convergence and completeness. Secondly

use moth-flame optimization to optimize the structural parameters of the radial basis function neural network to improve the generalization ability of the network and build a wind power forecast model. Finally

input the decomposed components into the wind power prediction model to obtain the prediction results of each component

and linearly combine the prediction results of each component to obtain the final wind power prediction result. The calculation example shows that the prediction model in the article has better prediction performance for wind power generation.

关键词

Keywords

references

杨正瓴,冯勇,熊定方,等.基于季风特性改进风电功率预测的研究展望[J].智能电网, 2015, 3(1):1-7.

余平.风电场风速及风电功率预测方法研究综述[J].电子技术与软件工程, 2019, 147(1):230.

CARTA J A, VELAZQUEZ S, CABRERA P. A review of measure-correlate-prediction(MCP)methods used to estimate long-term wind characteristics at a target site[J]. Renewable and Sustainable Energy Reviews, 2013, 27(6):362-400.

黎静华,桑川川,甘一夫,等.风电功率预测技术研究综述[J].现代电力, 2017, 34(3):1-11.

薛禹胜,郁琛,赵俊华,等.关于短期及超短期风电功率预测的评述[J].电力系统自动化, 2015, 39(6):141-151.

张维杰,田建艳,王芳,等.改进型T-S模糊神经网络风电功率预测模型的研究[J].自动化仪表, 2014, 35(12):39-42.

徐遵义,王俊雪.基于风速融合和NARX神经网络的短期风电功率预测[J].现代电子技术, 2020, 43(9):166-169.

马斌,张丽艳.一种基于径向基神经网络的短期风电功率直接预测方法[J].电力系统保护与控制, 2015, 43(19):78-82.

王丽婕,厉虹,方市彬.基于人工鱼群优化算法的支持向量机短期风电功率预测模型[J].电气工程学报, 2016, 11(10):7-12.

卓泽赢,曹茜,李青.基于EWT-KELM方法的短期风电功率组合预测[J].电测与仪表, 2019, 56(2):83-89.

李相俊,许格健.基于长短期记忆神经网络的风力发电功率预测方法[J].发电技术, 2019, 40(5):426-433.

李军,李大超.基于CEEMDAN-FE-KELM方法的短期风电功率预测[J].信息与控制, 2016, 45(2):135-141.

姜贵敏,陈志军,李笑竹,等.基于EEMD-ACS-LSSVM的短期风电功率预测[J].太阳能学报, 2020, 41(5):77-84.

周洪煜,赵乾,王照阳,等.风电机组输出功率超短期预测的组合模型研究[J].太阳能学报, 2014, 35(3):457-461.

杨森,刘三明,王致杰.基于GRU-XGBoost的风电场功率短期预测[J].仪表技术, 2020, 30(1):17-21.

SEYEDALI M. Moth-flame optimization algorithm:a novel nature-inspired heuristic paradigm[J]. Knowledge-Based Systems,2015, 89(11):228-249.

李志明,莫愿斌,张森.一种新颖的群智能算法:飞蛾扑火优化算法[J].电脑知识与技术, 2016, 12(31):172-176.

薛飞,张登雨,石季英,等.基于飞蛾扑火优化算法的光伏阵列MPPT研究[J].电力电子技术, 2019, 53(5):60-63.

苏尤丽,汤建国.人工智能神经网络在新能源微电网中的应用[J].新疆大学学报(自然科学版), 2016, 33(4):444-448.

乔远阳,吴技莲,冯新龙. MQ径向基函数的理论、方法及应用[J].新疆大学学报(自然科学版), 2015, 32(4):379-387+376.

张鑫磊,李根.基于IEEMD与LS-SVM组合的短期风电功率多步预测方法[J].电测与仪表, 2020, 57(6):52-60.

浏览量

273

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据