基于EMD与SVM的风电功率短期预测

合集下载

基于VMD-JAYA-LSSVM的短期风电功率预测

接入会对电网的安全稳定运行带来威胁，风电功率预测是解决这一难题的有效途径
目前，用于短期风电功率的预测方法主要有神经网络(N N )、灰色理论(G M )、极限学习机(K L M )
和支持向量机(S V M )等。文献[2]和文献[3]分别采用回声状态网络(E S N )和B P 神经网络训练历史数据对风电功率进行预测，提高了预测精度，但需要大量的历史数据且训练时间长。文献[4]提出G M (1,1)和灰色 Verhulst两种灰色理论预测模型对风电功率进行预测，所需历史数据少，但是预测精度低。文献 [5]利用核极限学习机(E K L M )对风速进行预测建模，结合风电场风功特性曲线得到对应风电功率预测值。
k
L
‘
(6)
效信号和噪音信号，从而实现降噪，防止模态混叠。 V M D 分解可等效成对变分问题求最优解，涉
及 3 个概念：经典 W i e n e r 滤波、Hilbert变换和频率混合[12]。
利用 Parsever/Plancherel傅里叶等距变换，将式(6)转变到频域，求得二次优化问题的解，如式(7) 所示。
假设)t个模态变量构成多分量信号/ , 并且各本征模态函数、(〇的中心频率为叫，先经 Hilbert变换，计算单边谱并且获得^(〇的解析信号，如式(1)
_______i*k_________ z
(7)
l+2a (co - 〇)k)
第6 期
陶凯等：基于VMD-JAYA-LSSVM 的短期风电功率预测
(College of Internet of Things Engineering, Jiangnan University, W u x i 214122 China)

基于CEEMD-PSR-FOA-LSSVM的短期风电功率预测

基于CEEMD-PSR-FOA-LSSVM的短期风电功率预测田丽;凤志民;刘世林【摘要】为提高短期风电功率预测精度,针对风电功率波动性大、非周期性和非线性强的特点,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-相空间重构(phase space reconstruction,PSR)-果蝇优化算法(fruit fly optimization algorithm,FOA)-最小二乘支持向量机(least squares support vector machine,LSSVM)的组合预测方法.首先,运用CEEMD算法把风电功率序列分解为若干个分量,并用PSR算法来确定LSSVM建模过程中各个分量的输入和输出;然后,采用FOA算法优化LSSVM建模中的参数,并用训练好的LSSVM对各个分量进行单独预测;最后,用某风电场的实测数据对该组合预测方法进行验证.结果表明,与单独的LSSVM方法和FOA-LSSVM方法预测结果相比,建立的组合模型预测方法精度更高,对风电功率的短期预测更为有效和适用.【期刊名称】《可再生能源》【年(卷),期】2016(034)011【总页数】7页(P1632-1638)【关键词】短期风电功率预测;互补集合经验模态分解;相空间重构;果蝇优化算法;最小二乘支持向量机【作者】田丽;凤志民;刘世林【作者单位】安徽工程大学安徽省电气传动与控制重点实验室,安徽芜湖241000;安徽工程大学安徽省电气传动与控制重点实验室,安徽芜湖241000;安徽工程大学安徽省电气传动与控制重点实验室,安徽芜湖241000【正文语种】中文【中图分类】TK89全球范围内对能源的需求迅速增加，作为最具开发前景的风能资源，因其分布广、易于开发、蕴藏量大的特性而受到各国重视[1]，[2]。

随着科技的快速发展，风电装机容量不断增长，风电接入电网的比例不断上升。

支持向量机向量维数对短期风电功率预测精度的影响

这个问题实际上就是在约束条件下（式(1)）解式(2)的优化问题[15]。约束条件
yi W T xi b i T W xi b yi i* , * 0, i 1, 2, , M i i
M
(3)
i , , i , 为拉格朗日乘子。 i 、对 W、 b、其中，
* i * i
i 求偏微分并令它们为 0，得到
L 0 b
(
i 1
M
i
i* ) 0
(4) (5) (6) (7)
M L 0 W ( i i* ) ( xi ) W i 1
??inx构成了用于支持向?ixymiiixryr??1212231112xmmnmt???nmtx???nmtx???nt?x???x???xxxxxxxx??????????????????????????????????????????????????????????????????????????1566电力系统保护与控制1211ymt?mt??nmty???nyvyvv??????????????????????????????16依据前面所述支持向量机基本原理自主开发了基于支持向量回归机的风电功率短期多尺度预测评估软件软件中由以iixy构建?svr学习机进行训练取c128?01以高斯径向基作为核函数通过序贯最小优化方法sequentialminimaloptimizationsmo16aa即可得到预测模型
min 1 W 2
2பைடு நூலகம்
(1)
C i i *
i 1
M
(2)
式中： M 是训练样本数；i , i 为松弛变量，表示

基于EMD与SVM的短期风速预测研究

2012年9月第26期科技视界Science &Technology Vision0引言风能是一种可再生、洁净能源并已经得到了各国的高度重视,风力发电已经成为可再生能源中发展最快和最为成熟的一种。

评估风电场的风能资源状况、进行风速预测是开发风力发电项目最基础的工作之一[1-3]。

风速预测方法目前主要有持续预测法[4]、卡尔曼滤波法[5]、随机时间序列法、人工神经网络法、模糊逻辑法[6]、空间相关法[7]、支持向量机(support vector machines,SVM)等。

单独使用这些方法对风电场短期风速预测的绝对平均误差一般在20%-40%左右。

由于风速受多种因素影响,风速信号表现为一典型的非平稳时间序列,单一的预测方法难以取得满意的效果。

因此,本文提出建立复合预测模型,将经验模式分解法(empirical mode decomposition,EMD)与支持向量机相结合进行建模预测。

1建模原理和方法1.1支持向量机原理支持向量机是基于统计学习理论发展起来的一种新的机器学习方法,其最大特点是改变了传统的经验风险最小化原则,具有很好的泛化能力。

另外,支持向量机在处理非线性问题时,首先将非线性问题转化为高维空间中的线性问题,然后用一个核函数代替高维空间中的内积运算,从而巧妙地解决了复杂计算问题,并且有效地克服了维数灾难以及局部极小问题[8]。

支持向量机用来解决预测问题的思想为:给定l 个样本数据{x k ,y k },其中x k ∈R n 为n 维向量,y k ∈R 为相对应的输出变量,寻找一个函数f (x ),以便使用f (x )来推断任意的x 所对应的y 值。

1.2经验模式分解法经验模式分解法是Huang [9]1998提出的一种新的信号处基于EMD 与SVM 的短期风速预测研究陈冉1,2(1.华北电力大学河北保定071000;2.神华河北国华沧东发电有限责任公司河北沧州061113)【摘要】风能作为一种重要的可再生能源,其开发利用得到各国高度重视。

基于EMD和SVM的短期负荷预测

基于EMD和SVM的短期负荷预测祝志慧,孙云莲,季宇(武汉大学电气工程学院,武汉430072)摘要:为了有效预测具有一定周期性和随机性的非平稳时间序列性的电力负荷,提高预测精度,提出了结合经验模式分解(EM D)和支持向量机(SV M)的短期负荷预测法。

该法运用EM D将负荷序列分解成若干个不同频率的平稳分量,分解后的分量突出了原负荷的局部特征,能更明显的看出原负荷序列的周期项、随机项和趋势项;根据各个分量的变化规律,选择合适的SV M参数和核函数构造不同的支持向量机分别预测;由SV M对各分量的预测值组合得到最终预测值。

仿真试验表明,此方法与单一的SVM预测法及BP神经网络预测法相比,具有较高的精度和较强的推广能力。

关键词:短期负荷;经验模式分解;本征模式分量;支持向量机;核函数;组合预测中图分类号:T M715文献标志码:A文章编号:1003 6520(2007)05 0118 05Short term Load Forecasting Based on EMD and SVMZH U Zhi hui,SU N Yun lian,JI Yu(Scho ol o f Electrical Engineering,W uhan University,Wuhan430072,China)Abstract:T he po wer lo ad is inher ently non statio nar y t ime series,and has a cer tain perio dicity and r andomness by itself,so it is difficult to co nstr uct the forecasting mo del.T he traditional models are constructed on the basis of the suppo sitio n that the lo ad series are linear and stat ionary,which cannot pr edict accur ately the r eal no n stat ionary load ser ies.I n o rder to predict the sho rt t erm po wer load effectiv ely and lev el up the for ecast precisio n,a hybrid for ecas ting method based o n Empir ical M ode Deco mpo sitio n(EM D)and Suppo rt Vector M achine(SV M)is pr esented in this paper.EM D can deco mpo se non statio nar y sig na ls into some smooth and statio nary int rinsic mode funct ions (1M F)wit h differ ent frequency in the differ ent scale space by t he sifting pro cess.Which is reg arded as new adaptiv e wavelet decomposition method.SVM,a nov el machine lear ning metho d based on the structur al r isk minimization (SRM)pr inciple,is pow er ful fo r the problem w ith small sample,nonlinear ity,high dimension and local minima. Accor ding to the outstanding feature of EM D alg or ithm,firstly,the pow er load t ime ser ies is deco mpo sed into a se r ies of statio nar y intr insic mode funct ions in different scale space via EM D sifting pro cedure.T he local features of o r ig inal load ser ies are pro minent in the intr insic mo de functions so t hat it is mor e o bv ious to o bserv e the cycle,ran dom and t rend parts o f the o riginal load sequence.Secondly,accor ding to the change reg ulation o f each of all resul ted intr insic mode functions,t he right par ameter and ker nel funct ions ar e chosen to build differ ent SV M respectiv ely to fo recast each intr insic mo de functions.A t last,these fo recast ing r esult s o f each IM F a re co mbined w ith SV M to obtain final fo recast ing r esult.T he simulation r esults show that t he hybrid met ho d based on EM D and SV M has fas ter speed,hig her pr ecision and g reater g ener alization abilit y than that of the single SVM method and that of the BP neural netw or k met ho d,which prov es that it is an effective method.Key words:sho rt ter m load;empir ical mo de deco mpo sitio n;int rinsic mode funct ions;suppor t vector machine;ker nel funct ions;hybr id fo recasting0 引言电力短期负荷预测是能量管理系统(EMS)中一个重要组成部分,随着电力市场改革的深入,负荷预测的作用愈来愈重要。

《2024年基于EEMD-SVM方法的光伏电站短期出力预测》范文

《基于EEMD-SVM方法的光伏电站短期出力预测》篇一基于EEMD-集合经验模态分解与SVM-支持向量机方法的光伏电站短期出力预测一、引言随着全球能源结构的转型，光伏电站作为清洁能源的重要组成部分，其发电量预测显得尤为重要。

短期出力预测对于电网调度、优化资源配置和减少浪费具有重要意义。

然而，由于光伏发电受天气、时间等因素影响，其出力具有较大的波动性，因此，如何准确预测光伏电站的短期出力成为了一个重要的研究课题。

本文提出了一种基于EEMD（集合经验模态分解）和SVM（支持向量机）方法的光伏电站短期出力预测模型，以期提高预测精度和稳定性。

二、EEMD方法及其应用EEMD是一种自适应的、非线性的信号处理方法，能够将复杂信号分解为多个固有模态函数（IMF）。

在光伏电站短期出力预测中，EEMD可以将光伏出力数据分解成多个具有不同时间尺度和频率特性的模态分量，从而提取出影响光伏出力的关键信息。

此外，EEMD还具有较好的噪声抑制能力，可以有效处理非线性、非平稳的信号。

三、SVM方法及其优势SVM是一种基于统计学习理论的机器学习方法，具有较高的预测精度和泛化能力。

在光伏电站短期出力预测中，SVM可以学习光伏出力与影响因素之间的复杂关系，并建立相应的预测模型。

与传统的预测方法相比，SVM能够更好地处理非线性、高维度的数据，且具有较强的鲁棒性。

四、基于EEMD-SVM的光伏电站短期出力预测模型本文提出的基于EEMD-SVM的光伏电站短期出力预测模型，首先利用EEMD对光伏出力数据进行分解，得到多个IMF分量。

然后，利用SVM分别对每个IMF分量进行训练和预测。

最后，将各IMF分量的预测结果进行叠加，得到最终的预测结果。

五、实验与分析为了验证本文提出的EEMD-SVM模型的预测性能，我们进行了大量的实验。

实验数据来自某光伏电站的实际运行数据。

我们将EEMD-SVM模型与传统的BP神经网络、SVM等方法进行了比较。

实验结果表明，EEMD-SVM模型在光伏电站短期出力预测中具有较高的精度和稳定性。

基于经验模态分解的PSO-SVM风电功率短期预测

基于经验模态分解的PSO-SVM风电功率短期预测田淑慧;于惠钧;赵巧红;李林【摘要】针对风电功率预测对精确度的要求,结合风电机组功率特性曲线及支持向量机非线性拟合,提出了一种基于经验模态分解(EMD)的粒子群算法(PSO)优化支持向量机(SVM)功率短期预测模型.即将EMD分解后的各个风速序列分量通过PSO-SVM模型预测,将得到的各分量预测结果叠加后得到风速预测值,将该值输入功率转化曲线,即可得到最终的风电功率预测结果,以实现对风电机组功率的预测.通过对某地区风电场实际风速为例进行的仿真误差对比分析,得知该组合预测模型不仅有效可行,且有效提高了短期风电功率的预测精度.【期刊名称】《湖南工业大学学报》【年(卷),期】2018(032)003【总页数】6页(P59-64)【关键词】功率预测;经验模态分解;参数寻优;支持向量机【作者】田淑慧;于惠钧;赵巧红;李林【作者单位】湖南工业大学电气与信息工程学院,湖南株洲 412007;湖南工业大学电气与信息工程学院,湖南株洲 412007;湖南工业大学电气与信息工程学院,湖南株洲 412007;湖南工业大学电气与信息工程学院,湖南株洲 412007【正文语种】中文【中图分类】TM6140 引言已有的风电机组功率预测方法可以分为如下两种：一是利用风电机组的功率特性曲线，将原始的风速序列转化为风电功率的原始序列，再对这些序列进行建模仿真，以实现对风电机组功率的预测；二是将通过模型预测得到的风速预测数据，直接通过风电机组功率特性曲线进行转换，从而实现对风电机组功率的预测[1]。

由于风速所具有的规律性比风电场发电功率的规律性强，为了得到较高的预测精度，大多选择先对风电场风速进行预测的方法实现对风电机组功率的预测。

经验模态分解是一个完全自适应的过程，在信号分解前无需预设基函数，这个特点使其与需建立先验性假设的谐波基函数的傅立叶分解方法和以小波基函数为前提的小波分解方法有着本质差别。

基于EMD与SVM的短期风速预测研究

沧州
０１）６１１３
【要】摘风能作为一种重要的可再生能源，其开发利用得到各国高度重视。准确预测风速对于接入大量风电的电力系统
意义重大。了提高风速的预测精度，为本文提出建立基于经验模式分解（ＭＤ）Ｅ与支持向量机（ｖ）ｓＭ的复合预测模型。该模型首
ｐｅｉｔｎｐｅｃｕａｅｙｆｒｔｅｐｗｅＹｔｍｉｈｉｃｕｅａｇｍｏｎｓｏｉｄｐｗｒＩｒｅｍｐｅｔｅａｃｒｃｆｒｄｃｄｓｅｄａｃｒｔｌｏｏｒｓｓｅｗｈｃｎｌｄｓｌｒｅａｕｔｆｗｎｏｅ．ｎｏｄｒｔｉｍｖｈｃｕａｙｏｗｉｈｏ
Hale Waihona Puke ｗｎｐｅｒｄｔｎｔｅｐｐｒｐｏｏｅｄｌｂｓｄｏｍｉｃｌｍｄｅｏｐｓｉｎ（Ｍ）ｎｕｐｒｖｃｏａｈｎｓｉｄｓｅｄｐｅｉｉ，ｈａｅｒｐｓｄａｍｏｅａｅｎｅｐｒａｏｅｄｃｍｏｉｏＥＤａｄｓｐｏｔｅｔｍｃｉｃｏｉｔｒｅ
２１年９０２月第２期６
Ｓｎ＆ｅｏｙｉｎ科ｃＴｈｌｉｃｅｃｏ界ｏｉ技视ｇｓｅｎＶ
科教前哨
基于ＥＭＤ与ＳＭ的短期风速预测研究Ｖ
．
陈
冉１，２
（．北电力大学１华
河北
保定
０１０２神华河北国华沧东发电有限责任公司河北７００；．
２ＳｅｈａＨｅｅｎｄｎｏｒＣｏ，ｄ，ｎｚｏｂｉ０１１，Ｃｈｎ）．ｈｎｕｂｉＣａｇｏｇＰｗｅ．Ｌｔ．ＣａｇｈｕＨｅｅ，６１３ｉａ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

摘要：于风电存在着不确定性，电功率预测对于接入大量风电的电力系统意义重大．了提由风为
高风电功率的预测精度，文建立了基于经验模式分解法（ＭＤ）支持向量机（ＶＩ的复合预测本Ｅ与Ｓ）
模型．虑到风力机组的输出有很强的非线性，考该模型首先将训练数据按风速大小分成高、低３中、组，然后对各组的风电功率样本序列进行经验模式分解，建立各个频带分量的支持向量机预测模并
ＳｒｉｅｐｒｄｃｉｎｏｎｗｅａｅｎＥＭＤｎＶＭｈｏｔｔｍｅｉｔｏｆｗｉｄｐｏｒｂｓｄｏａｄＳ
ＸＩＡＯＹａｎａｉＷＡＮＧｎｃ，Ｐｅｇ，ＨＡＮ ∞ ，ＸＵｕａｎＳｈｙｇ
ｔｎｓｅｉｌｏｈｗｅｙｔｍｉｈｃｎａｎａｇｕｅｆｗｉｄｐｗｅ．Ｉｒｅｏｒｉｅｉ，ｅｐｃａｌｆｒｔｅｐｏｙｏｒｓｓｅｗｈｃｏｔｉｓａｌｒｅｎｍｂｒｏｎｏｒｎｏｄｒｔａｓ
ｔｅｃｕａｙｏｎｏｒｒｄｃｉ，ｏｏｎｒｄｃｉｎｍｏｅｗｉａｅｎＥｈｃｒｃｆａｗｉｄｐｗｅｅｉｏａｃｍｐｕｄｐｅｉｏｄｌｈｃｂｓｄｏＭＤ（ｍｐｒａｐｔｎｔｈｅｉｃｌｉ
（．ｃｏｌｆｃａｉｌＥｅｔｎｃａｄＣｎｒｌｎｉｅｉ，ｅｉｇＪｏｏｇＵｎｖｒｔ，ｅｉ００４Ｃｉａ１Ｓｈｏｏｈｎｃ，ｌｒｉｎｏｔｇｎｒｇＢｉｉｔｉｓｙＢｉｎ１０４，ｈ；ＭｅａｃｏｏＥｅｎｊｎａｎｅｉｊｇｎ２ＧｉＣｎｒｌｒｎｈＮＲＩｅｈｏｇｖｌｐｎｏ，Ｌｄ，＠ｎ１０，ｈｎ；．ｒｏｔａｃ，ＡｃｎｌｙｄｏＢＴｏＤｅｅｍｅｔ．ｔ．Ｎａｇ２０６ＣｉｏＣａ３Ｓｈｌｆｉｃ，ａｊｏｙｅｈｉＵｎｖｒｔ，ｉｊ０３７Ｃｉ）．ｏｅｅＴｉｉＰｌｔｎｃｉｓｙＴａｉ３０８，ｈｎｃｏＳｎｃｎｎｃｅｉｎｎａ
型，各模型的预测结果等权求和即得到最终的功率预测值．用风电场现场采集数据的预测结果，使
验证了该方法的可行性和有效性．
关键词：电功率；测；风预支持向量机；经验模式分解法
中图分类号：ＴＭ６４１文献标志码：Ａ
ｍｏｅｄｃｍｐｓｉ）ｎＶＭ（ｕｐｒｖｃｏｃｉｅｗａｕｌＣｎｉｅｉｅｒａｏｌｅｒｙｄｅｏｏｉｏａｄＳｔｎｓｐｏｔｅｔｒｍａｈｎ）ｓｉ．ｏｓｒｇｔｅｔｎｉａｉｂｔｄｎｈｇｎｎｔ
ｏｎｕｂｎｅｅａｏｓｏｔｕｓｈｒｉｉｇｄｔｒｉｉｅｎｏｔｒｅｇｏｐｎｔｅｂｓｓｏｆｗｉｄｔｒｉｅｇｎｒｔｒｕｐｔ，ｔｅｔａｎｎａａｗｅｅｄｖｄｄｉｔｈｅｒｕｓｏｈａｉｆｗｉｄｓｅｄｎｈｎｏｒｓｒｅｒｅｏｏｅｎｏｓｖｒｌｓｑｅｃｓｉｉｅｅｔｂｎｙｎｐｅ，ａｄｔｅｗｉｄｐｗｅｅｉｓｗｅｅｄｃｍｐｓｄｉｔｅｅａｅｕｎｅｎｄｆｒｎａｄｂｆＥＭＤ．ＢｕｌｉｇｄｆｒｎＶＭｒｄｃｉｎｍｏｅ，ｔｅｄｃｍｐｓｄｓｍｐｅｓｒｅｒｒｄｃｅｅ — ｙｂｉｎｉｅｅｔＳｄｆｐｅｉｔｄｌｈｅｏｏｅａｌｅｉｓｗｅｅｐｅｉｔｄｓｐｏａａｅｙｈｎｔｅｆｎｌｅｕｔｒｏｙａｄｎｖｒｒｄｃｅｅｕｔｅｕｌｒｇｔ．Ｔｈｅｓｂｌｙｒｔｌ，ｔｅｈｉａｓｌｗｅｅｇｔｂｄｉｇｅｅｙｐｅｉｔｄｒｓｌｑａｉｈｓｒｓｅｆａｉｉｔｉａｄｅｆｃｉｅｅｓｏｈｓｍｏｅｗｅｅｐｏｅｙｔｅｒｓｌｆｐｅｉｔｇｔｅｒａａａｗｈｃｒｏ— ｎｆｅｔｎｓｆｉｖｔｄｌｒｒｖｄｂｈｅｕｔｏｒｄｃｉｈｅｌｄｔｉｈｗｅｅｃｌｓｎ
ｇ．ＢｕｈｒｎｅｔｉｔｎｏｒＯｉｉａｔｃｅｒａｉｎｆａｃｏｗｉｄｐｗｅｒｄｃＹｔｔｅｅｉｕｃｒａｎｙｉｗｉｄｐｗｅ，Ｓｓｔａｈｄｇｅｔｓｉｃｎｅｔｎｓｎｔｇｉｏｒｐｅｉ—
第３６卷第４期
２１０２年８月
北
京
交
通
大
学
学
报
！巡！
Ｖ０．６ＮＯ４１３．
ＡＬ０ＦＥＵＩＢＮＧＩＪＡ０ＴＱ
文章编号：６３０９（０２０ —１９０１７ —２１２１）４０３ —５
基于ＥＭＤ与ＳＶＭ的风电功率短期预测
ＡｂｔａｔＡｓａｃｅｎｒｎｗａｌｎｒｙｓｒｃ：ｌａｅｅｂｅｅｅｇ，ｗｉｄｐｗｅａｔｏｄａｔｇｉｈｉｂｙｎｏｓｌｎｒｎｏｒｈｓａｌｆｖｎａｅｗｈｃｅｏｄｆｓｉｅｅ— ｏａｓ
肖燕彩王鹏韩肖２徐叔阳３，，，
（．１北京交通大学机械与电子控制工程学院，北京１０４；００４２国电南瑞科技股份有限公司电网控制分公司，．南京２０６；．１０１３天津工业大学理学院，天津３０８）０３７