采用特征优选和优化深层核极限学习机的短期风电功率预测

摘要：

针对风电出力非线性、不稳定且用传统方法难以准确预测的问题,提出了一种基于对深层混合核极限学习机(DHKELM)参数进行优化的短期风电功率预测.利用核主成分分析(KPCA)方法进行特征优选得到的最优特征集,既能表达风电功率的有效信息,也能避免冗余信息的出现,有利于DHKELM模型的学习与训练,同时也降低了模型的复杂度.针对DHKELM超参数难确定的问题,利用改进的野犬优化算法(IDOA)对DHKELM的8个超参数进行寻优,可以发掘原始序列特征信息,从而使模型能够充分掌握数值天气预报(NWP)与风电功率之间的非线性关系.以国外某风电场真实数据为算例,结果表明:提出的预测模型相较于野犬算法、差分进化算法和粒子群优化算法的平均绝对百分比误差(MAPE)分别降低了 0.979 3％、2.342 1％、3.383 2％,有效提高了风电功率的预测精度.

关键词：短期风电功率预测、深层混合核极限学习机、改进的野犬优化算法、特征优选、核主成分分析

所属期刊栏目：57

分类号：TM715(输配电工程、电力网及电力系统)

资助基金：陕西省自然科学基础研究计划资助项目2021JM-393

在线出版日期：2023-04-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：66-77