基于改进EEMD-SE-ARMA的超短期风功率组合预测模型

摘要：

针对风力发电功率时间序列具有非线性和非平稳性的特性,提出了一种改进的集成经验模态分解(ModifiedEnsemble Empirical Mode Decomposition,MEEMD)-样本熵(Sample Entropy,SE)-ARMA的风电功率超短期组合预测模型.将EEMD分解中添加的白噪声信号改为添加绝对值相等的正负两组白噪声信号,并将MEEMD分解过程中的EMD步骤使用端点延拓和分段三次埃尔米特插值进行改进,形成一种改进的EEMD分解算法(即MEEMD).利用MEEMD-SE将风力发电功率时间序列分解为一系列复杂度差异明显的风电子序列;针对每一个不同的子序列建立适当的ARMA预测模型;将各预测分量进行叠加重构,得到最终的风电功率预测值.通过算例分析及与其他几种预测模型预测结果的对比,证明MEEMD-SE-ARMA组合预测模型可以有效地提高风力发电功率超短期预测的精度.

关键词：改进的集成经验模态分解、风电预测、样本熵、时间序列、组合预测模型、端点延拓

所属期刊栏目：45

分类号：TP3;TM7

资助基金：十二五国家科技支撑项目2012BAJ26B00This work is supported by National Science & Technology Pillar Program during the 12th Five-year Plan Period 2012BAJ26B00

在线出版日期：2017-04-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：72-79