论文部分内容阅读
在能源危机的背景下,可再生新能源受到了世界各国的广泛关注与发展。其中,风力发电技术发展迅速,在电力系统中的占比逐年上升,目前已成为应用最为广泛的分布式发电技术之一。因此,对风速进行准确预测对风能的开发与利用以及风电场的管理和计划具有重要参考价值,并且有利于保证电力系统的安全性、稳定性和经济性。由于实际风速具有波动性、间歇性等特点,导致风速时间序列具有明显的非平稳性与不规律性,大大增加了对风速的预测难度,容易产生较大的预测偏差。针对这些问题,本文提出了一种基于混合模态分解(Hybrid mode decomposition,HMD)和在线鲁棒极限学习机(Online sequential outlier robust extreme learning machine,OSORELM)的短期风速多步预测方法,对风速进行有效预测。在风速数据预处理阶段,针对风速时间序列的不平稳特性,本文提出一种基于变模态分解法(Variational mode decomposition,VMD)、样本熵(Sample entropy,SE)和小波包分解法(Wavelet packet decomposition,WPD)的混合模态分解方法,对原始风速时间序列进行深度分解。其中,将VMD方法作为主分解方法。首先,利用VMD将原始风速时间序列分解为一系列的有限带宽子模态分量;然后,通过计算每个子模态分量的SE值来分析每个子模态分量的复杂程度;最后,利用WPD法对SE值较高的子模态进行二次分解,并得到一组新的子模态分量。这样,得到的所有子模态都具有更明显的规律特征和更简单的序列趋势。在模型训练阶段,为了降低OSORELM模型中输入权重参数和隐含层偏置的随机性对预测结果的影响,利用纵横交叉算法(crisscross algorithm,CSO)对模型的初始参数进行优化,提高模型预测的稳定性,记为OSORELM-C模型。在此基础上,利用OSORELM-C模型对分解所得的每一个子模态分量分别进行建模预测,并将每个子模态预测结果加和取得最终的风速预测结果。为了验证本文所提模型的有效性,利用NREL提供的实际风速数据进行算例分析,对风速进行超前一步、两步和三步(1-step、2-step和3-step)预测。实验的仿真结果表明:(1)通过HMD方法对原始风速进行分解可以明显提高模型的预测精度,且得到的结果更优于单一的分解方法,说明HMD能更有效地捕捉到风速序列中的潜在特征,证明了HMD方法的有效性;(2)相比于其他预测模型,OSORELM模型在风速的多步预测中都取得了更好的预测结果,且随着预测步长的增加能保持较好的稳定性,证明了OSORELM模型的优越性,也说明了在线型预测模型在实际时变系统的预测中具有更好的适应力。此外,利用CSO算法对模型参数进行优化能进一步提高模型的预测精度和稳定性,令模型预测性能更加稳健;(3)本文所提的HMD-OSORELM模型可以有效提高对风速的预测精度。