基于VMD-SE和机器学习算法的短期风电功率多层级综合预测模型

摘要：

针对风电功率受自然环境变化影响，难以建立精确数学模型对其进行预测的问题，采用一种新型的可变模式分解(variational mode decomposition，VMD)技术，将原始风电功率序列分解为一系列有限带宽子模式以降低其不稳定性，根据子模式的样本熵(sample entropy，SE)分析其复杂度并重组得到子序列。在此基础上，结合3种不同的机器学习基模型，提出一种基于 VMD-SE 和基模型的自适应多层级综合预测模型，并采用一种基于混沌萤火虫结合仿真鸡群优化的智能算法，对其权重矩阵进行实时调整。仿真结果表明，基于VMD的组合模型较采用聚类经验模式分解时预测精度明显提高，且所提综合模型的预测精度较组合模型有了进一步的改善。因此，所提综合模型能有效提高短期风电功率多步预测的准确性。

关键词：短期风电功率多步预测、可变模式分解、机器学习、仿生鸡群优化、多层级综合模型

所属期刊栏目：40

分类号：TM715(输配电工程、电力网及电力系统)

资助基金：国家重点基础研究发展计划项目973项目2012CB215101；国家自然科学基金项目51309258。Project Supported by the National Basic Research Program of China 973 Program2012CB215101;National Natural Science Foundation of China51309258

在线出版日期：2016-06-07（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：1334-1340