基于CEEMD-SBO-LSSVR的超短期风电功率组合预测

摘要：

为提高风电功率预测的精度,提出了一种基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)、缎蓝园丁鸟优化算法(satin bower bird optimization algorithm,SBO)及最小二乘支持向量回归(least squares support vector regression,LSSVR)模型的超短期风电功率组合预测方法.针对风电序列的随机波动性,采用CEEMD对风电功率序列进行分解,将分解得到的不同特征尺度的各分量作为LSSVR模型的训练输入量.引入SBO算法对LSSVR的正则化参数与核函数宽度进行优化,建立各分量的预测模型,将各分量的预测输出值叠加得到最终的风电功率预测值.所提CEEMD-SBO-LSSVR组合预测方法不仅有效降低了预测的复杂度,而且保证原始风电序列经模态分解处理后具有小的重构误差.仿真结果表明,与其他预测模型相比,所提方法具有较高的超短期风电功率预测精度.

关键词：超短期风电预测、最小二乘支持向量回归、互补集合经验模态分解、缎蓝园丁鸟优化算法、组合模型

所属期刊栏目：45

分类号：TM614(发电、发电厂)

在线出版日期：2021-03-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：855-862,中插2-中插3