基于EEMD-SVR模型的风电功率预测

doi:10.16628/j.cnki.2095-8188.2020.11.004

电器与能效管理技术 ›› 2020, Vol. 0 ›› Issue (11): 22-28.doi: 10.16628/j.cnki.2095-8188.2020.11.004

基于EEMD-SVR模型的风电功率预测

李俊杰¹, 石强¹, 胡群勇², 何立新¹^,³

1.三峡大学电气与新能源学院, 湖北宜昌 443002
2.广东电网有限责任公司中山供电局, 广东中山 528400
3.葛洲坝电厂, 湖北宜昌 443002

收稿日期:2020-09-14 出版日期:2020-11-30 发布日期:2020-12-14
作者简介:李俊杰(1996—),男,硕士研究生,研究方向为电力系统运行与优化。|石强(1995—),男,硕士研究生,研究方向为电力系统运行与优化研究。|胡群勇(1975—),男,高级工程师,主要从事配电网络运行和管理工作。
基金资助:
国家级大学生创新创业训练计划(201711075009)

Wind Power Prediction Based on EEMD-SVR Model

LI Junjie¹, SHI Qiang¹, HU Qunyong², HE Lixin¹^,³

1.College of Electrical and New Energy,China Three Gorges University, Yichang 443002, China
2.Zhongshan Power Supply Bureau of Guangdong Power Grid Inc, Zhongshan 528400, China
3.Gezhouba Hydropower Plant, Yichang 443002, China

Received:2020-09-14 Online:2020-11-30 Published:2020-12-14

摘要/Abstract

摘要：

风速的随机性、非线性等问题导致风电功率的预测难度较大,针对风功率的预测问题,提出一种集合经验模态分解(EEMD)和支持向量回归(SVR)模型的预测方法。首先对原始风速信号进行模态分解,由EEMD将风速信号分解为多个特征模态分量和一个残余分量,有效优化信号非线性特征;其次,依据分解得到的各分量信号训练SVR模型进而实现分量预测;最后,合并预测所得的各分量,以确定风速预测序列,并由风速与功率转换关系求得预测功率。通过案例仿真对EEMD-SVR模型的预测效果进行验证和模型对比分析,结果表明,所提模型能够实现非平稳序列的可靠分解,风电功率预测效果得到有效改善。

关键词: 风功率预测, 风速预测, EEMD, SVR, 组合模型

Abstract:

The problems of randomness and non-linearity of wind speed make it difficult to predict wind power.For the prediction of wind power,the prediction methods of ensemble empirical mode decomposition (EEMD) and support vector regression (SVR) were proposed.First,the original wind speed signal is modal decomposed,and the EEMD decomposes the wind speed signal into multiple characteristic modal components and a residual component to effectively optimize the nonlinear characteristics of the signal.Second,the SVR model is trained according to the component signals obtained by the decomposition to realize the component prediction.Finally,the predicted components are combined to determine the wind speed prediction sequence,and the predicted power is obtained from the conversion relationship between wind speed and power.Through the case simulation,the prediction effect of the EEMD-SVR model is verified and the model compared and analyzed.The results show that the model can achieve reliable decomposition of non-stationary sequences,and the wind power prediction effect is effectively improved.

Key words: wind power prediction, wind speed prediction, EEMD, SVR, combined model

中图分类号:

TM614

李俊杰, 石强, 胡群勇, 何立新. 基于EEMD-SVR模型的风电功率预测[J]. 电器与能效管理技术, 2020, 0(11): 22-28.

LI Junjie, SHI Qiang, HU Qunyong, HE Lixin. Wind Power Prediction Based on EEMD-SVR Model[J]. LOW VOLTAGE APPARATUS, 2020, 0(11): 22-28.

图/表 7

图1

图2

图3

图4

表1

图5

图6

参考文献 17

[1]	钟宏宇, 王超, 张旭光, 等. 组合预测技术在风电中的研究分析[J]. 电器与能效管理技术, 2018(16):60-66.
[2]	杨茂, 张强. 基于集合经验模态分解和相关向量机的风电功率实时预测研究[J]. 太阳能学报, 2016,37(5):1093-1099.
[3]	肖燕彩, 王鹏, 韩肖, 等. 基于EMD与SVM的风电功率短期预测[J]. 北京交通大学学报, 2012,36(4):139-143,148.
[4]	杨正领, 冯勇, 熊定方, 等. 基于季风特性改进风电功率预测的研究展望[J]. 智能电网, 2015,3(1):1-7.
[5]	李卫, 席林. 一种新的风电场风速时间序列建模及超短期预测方法[J]. 电网与清洁能源, 2015,31(9):78-82.
[6]	赵泽昆, 王瑶, 陈超, 等. 基于量子粒子群优化BP神经网络的风机出力预测[J]. 电器与能效管理技术, 2019(24):45-50.
[7]	刘瑞叶, 黄磊. 基于动态神经网络的风电场输出功率预测[J]. 电力系统自动化, 2012,36(11):19-22.
[8]	李志鹏, 陈堂贤. 基于变分模态分解和改进鲸鱼算法优化的神经网络风速预测模型[J]. 电器与能效管理技术, 2019(11):24-31.
[9]	胡汉. 风电场风电功率概率预测研究[D]. 南京:东南大学, 2016.
[10]	戚双斌, 王维庆, 张新燕. 基于SVM的风速风功率预测模型[J]. 可再生能源, 2010(4):25-28.
[11]	杨茂, 陈郁林. 基于EMD分解和集对分析的风电功率实时预测[J]. 电工技术学报, 2016,31(21):86-93.
[12]	赵倩, 黄景涛. 基于EMD-SA-SVR的超短期风电功率预测研究[J]. 电力系统保护与控制, 2020,48(4):89-96.
[13]	卓泽赢, 曹茜, 李青. 基于EWT-KELM方法的短期风电功率组合预测[J]. 电测与仪表, 2019,56(2):83-89,96.
[14]	HUANG N E, SHEN Z, LONG S R. The empirical mode decomposition and the Hilbert spectrum for nonlinear and-non-stationary time series analysis[J]. Proceedings of the Royal Society Soc Land, 1998,454(1971):903-995.
[15]	WU Z, HUANG N E. Ensemble empirical mode decomposition:A noise-assisted data analysis method[J]. Advances in Adaptive Data Analysis, 2009,1(1):1-41. doi: 10.1142/S1793536909000047
[16]	VAPNIK V N. Statistical learning theory[M]. New York:Wiley, 1998.
[17]	程启明, 陈路, 程尹曼, 等. 基于EEMD和LS-SVM模型的风电功率短期预测方法[J]. 电力自动化设备, 2018,38(5):27-35.

预测方法	R²	MAE	RMSE	MAPE
SVR	79.53	1.243	1.584	16.940
EMD-SVR	87.08	0.977	1.259	12.945
EEMD-SVR	94.92	0.598	0.789	7.393

基于EEMD-SVR模型的风电功率预测

Wind Power Prediction Based on EEMD-SVR Model

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 17

相关文章 3

编辑推荐

Metrics

本文评价

[1]	朱敏, 黄国燕, 唐彬伟. 风电场集电线路自动规划算法研究与应用[J]. 电器与能效管理技术, 2020, 0(11): 29-34.
[2]	刘颖明, 陈亮, 王晓东, 王瑛玮. 混合储能参与风电集群一次调频的容量配置优化[J]. 电器与能效管理技术, 2020, 0(10): 55-63.
[3]	范必双, 李泽扬, 魏国强, 姚淦洲. 风力发电机柔性变桨驱动及控制方法研究^*[J]. 电器与能效管理技术, 2020, 588(3): 70-76.