基于VMD-SE-IPSO-BNN的超短期风电功率预测

摘要：

准确预测风电功率对风电规模化并网至关重要.为了更精确的对风电功率进行预测,提出一种基于可变模式分解(Variational Mode Decomposition,VMD)-样本熵(Sample Entropy,SE)和改进粒子群算法(Improved Particle Swarm Optimization,IPSO)优化贝叶斯神经网络(Bayesian Neural Network,BNN)的超短期风电功率组合预测模型.首先采用VMD-SE将原始风电功率时间序列分解为一系列不同带宽的模式分量以降低其非线性,然后对全部分量分别建立贝叶斯神经网络模型进行预测,并采用IPSO对神经网络的权值和阈值进行寻优,以求获得最佳的预测效果.实验结果表明,基于VMD-SE的预测模型较采用其他常规分解方式时预测精度明显提高,所提组合预测模型具有较高的预测精度.

关键词：超短期风电功率预测、可变模式分解、样本熵、改进粒子群算法、贝叶斯神经网络、预测精度

所属期刊栏目：55

分类号：TM614(发电、发电厂)

资助基金：广东省科技计划项目2016A010104016;广东电网公司科技项目GDKJQQ20152066

在线出版日期：2018-06-01（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：45-51