论文部分内容阅读
由于风能的随机性和间歇性,风电场的发电输出功率往往具有很强的波动性,这将对电网造成极大的冲击,给电网计划和调度带来困难与挑战。因而,精确可靠的风电功率预测对优化电网运行的成本和提高电力系统的可靠性极其重要。目前,借助现代统计方法的预测模型,如神经网络、支持向量机等已被广泛应用到超短期及短期风电功率预测中。极限学习机(Extreme Learning Machine,ELM)作为一种新型的单隐层前馈神经网络(Single hidden Layer Feedforward Neural Networks,SLFNs),它能以极快的学习速度获得良好的推广性能,并在风电功率超短期及短期预测中已有成功的应用。在ELM的基础上,核极限学习机(Kernel Extreme Learning Machine,KELM)以核函数表示未知的隐含层非线性特征映射,通过正则化最小二乘算法计算网络的输出权值,并且该方法无需主观的设定网络隐含层节点的数目。为进一步提高风电功率超短期与短期预测的精度,本文以KELM方法为主线,研究其在风电功率组合预测及单一预测方面的应用。本文的主要研究内容如下:(1)在ELM理论的基础上,对KELM的基本学习算法及其高斯核函数和小波核函数进行了深入研究,并考虑将正则化最小二乘算法应用于其网络的输出权值求解中,以便提高KELM的泛化能力。(2)从组合预测模型的角度出发,首先,对原始的风电功率时间序列进行了分析。其次,在经验模态分解(Empirical Mode Decomposition,EMD)的基础上,研究了具有自适应白噪声的完整集成经验模态(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)信号分解方法,结合模糊熵(Fuzzy Entropy,FE),给出了一种基于CEEMDAN-FE和KELM的组合预测方法。将其应用于某地区的风电功率短期预测实例中,并与EMD-KELM、EEMD-KELM等组合预测方法,及单一的KELM方法进行比较。实验结果表明,CEEMDAN-FE-KELM的组合预测方法预测精度最好。(3)在KELM的基础上,结合优化算法,给出了一种基于优化的核极限学习机(Optimization Kernel Extreme Learning Machine,O-KLEM)的预测方法。分别利用遗传算法(Gentenic Algorithms,GA)、模拟退火(Simulated Annealing,SA)、微分演化(Differential Evolution,DE)三种优化算法对模型的输入变量、核参数与正则化系数进行优化选择,进而形成O-KELM方法的三种不同算法:GA-KELM、DE-KELM、SA-KELM。将O-KLEM方法应用于混沌时间序列直接六步预测中,在同等情况下,并与优化的极限学习机(Optimization Extreme Learning Machine,O-ELM)方法进行比较。从仿真结果可以看出,O-KELM方法的预测精度比O-ELM方法提高约一个数量级。并且DE-KELM算法具有最低的均方根误差。然后,将O-KELM方法应用于某地区风电场的风电功率预测实例中,分别进行提前10分钟的单步和提前20分钟、提前30分钟、提前40分钟的风电功率时间序列直接多步预测,用于评价O-KELM方法的有效性。在不同时间尺度下的风电功率时间序列预测的实验结果表明,O-KELM方法比O-ELM方法具有更好的预测精度,其中,提前10min、20min、40min预测时,GA-KELM算法具有最小的均方根误差,提前30min预测时,DE-KELM算法具有最小的均方根误差和正则化均方误差。从而证明了O-KELM方法的可行性和有效性。