基于極限學(xué)習(xí)機(jī)的風(fēng)電功率預(yù)測研究.pdf

1、由于風(fēng)能的隨機(jī)性和間歇性，風(fēng)電場的發(fā)電輸出功率往往具有很強(qiáng)的波動性，這將對電網(wǎng)造成極大的沖擊，給電網(wǎng)計劃和調(diào)度帶來困難與挑戰(zhàn)。因而，精確可靠的風(fēng)電功率預(yù)測對優(yōu)化電網(wǎng)運(yùn)行的成本和提高電力系統(tǒng)的可靠性極其重要。目前，借助現(xiàn)代統(tǒng)計方法的預(yù)測模型，如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等已被廣泛應(yīng)用到超短期及短期風(fēng)電功率預(yù)測中。極限學(xué)習(xí)機(jī)(ELM)作為一種新型的單隱層前饋神經(jīng)網(wǎng)絡(luò)(SLFNs)，它能以極快的學(xué)習(xí)速度獲得良好的推廣性能，并在風(fēng)電功率超短期及短期預(yù)

2、測中已有成功的應(yīng)用。在ELM的基礎(chǔ)上，核極限學(xué)習(xí)機(jī)(KELM)以核函數(shù)表示未知的隱含層非線性特征映射，通過正則化最小二乘算法計算網(wǎng)絡(luò)的輸出權(quán)值，并且該方法無需主觀的設(shè)定網(wǎng)絡(luò)隱含層節(jié)點的數(shù)目。為進(jìn)一步提高風(fēng)電功率超短期與短期預(yù)測的精度，本文以KELM方法為主線，研究其在風(fēng)電功率組合預(yù)測及單一預(yù)測方面的應(yīng)用。
　　本文的主要研究內(nèi)容如下：
　　(1)在ELM理論的基礎(chǔ)上，對KELM的基本學(xué)習(xí)算法及其高斯核函數(shù)和小波核函數(shù)進(jìn)行了深

3、入研究，并考慮將正則化最小二乘算法應(yīng)用于其網(wǎng)絡(luò)的輸出權(quán)值求解中，以便提高KELM的泛化能力。
　　(2)從組合預(yù)測模型的角度出發(fā)，首先，對原始的風(fēng)電功率時間序列進(jìn)行了分析。其次，在經(jīng)驗?zāi)B(tài)分解(EMD)的基礎(chǔ)上，研究了具有自適應(yīng)白噪聲的完整集成經(jīng)驗?zāi)B(tài)(CEEMDAN)信號分解方法，結(jié)合模糊熵(FE)，給出了一種基于CEEMDAN-FE和 KELM的組合預(yù)測方法。將其應(yīng)用于某地區(qū)的風(fēng)電功率短期預(yù)測實例中，并與EMD-KELM、EE

4、MD-KELM等組合預(yù)測方法，及單一的KELM方法進(jìn)行比較。實驗結(jié)果表明，CEEMDAN-FE-KELM的組合預(yù)測方法預(yù)測精度最好。
　　(3)在 KELM的基礎(chǔ)上，結(jié)合優(yōu)化算法，給出了一種基于優(yōu)化的核極限學(xué)習(xí)機(jī)(O-KLEM)的預(yù)測方法。分別利用遺傳算法(GA)、模擬退火(SA)、微分演化(DE)三種優(yōu)化算法對模型的輸入變量、核參數(shù)與正則化系數(shù)進(jìn)行優(yōu)化選擇，進(jìn)而形成O-KELM方法的三種不同算法：GA-KELM、DE-KELM、

5、SA-KELM。將O-KLEM方法應(yīng)用于混沌時間序列直接六步預(yù)測中，在同等情況下，并與優(yōu)化的極限學(xué)習(xí)機(jī)(O-ELM)方法進(jìn)行比較。從仿真結(jié)果可以看出， O-KELM方法的預(yù)測精度比O-ELM方法提高約一個數(shù)量級。并且DE-KELM算法具有最低的均方根誤差。然后，將 O-KELM方法應(yīng)用于某地區(qū)風(fēng)電場的風(fēng)電功率預(yù)測實例中，分別進(jìn)行提前10分鐘的單步和提前20分鐘、提前30分鐘、提前40分鐘的風(fēng)電功率時間序列直接多步預(yù)測，用于評價 O-KE