基于OVMD-SSA-DELM-GM模型的超短期风电功率预测方法

摘要：

为了提高风电功率的预测精度,提出了一种基于最优变分模态分解(optimal variational model decomposition,OVMD)、麻雀算法(sparrow search algorithm,SSA)、深度极限学习机(deep extreme learning machine,DELM)和灰色模型(grey model,GM)的超短期风电功率预测方法.该方法通过OVMD对原始风电功率时间序列进行自适应分解;然后针对各分量建立DELM预测模型并利用SSA算法进行参数寻优,并对各个分量的预测结果进行求和重构;利用GM对误差序列进行预测;最后将误差的预测值与原始风电功率的预测值叠加得到最终预测结果.对北方某风电场的风电功率数据进行仿真实验,结果表明,该方法预测效果明显优于传统方法,有效提高了超短期风电功率预测的精确性.

关键词：超短期风电功率预测;最优变分模态分解;深度极限学习机;麻雀算法;灰色模型

所属期刊栏目：45

分类号：TM614(发电、发电厂)

资助基金：国家自然科学基金;国家自然科学基金;湖北省重点研发计划项目;武汉科技大学冶金自动化与检测技术教育部工程研究中心开放基金项目

在线出版日期：2021-12-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：4701-4710