短期風(fēng)電功率CEEMDAN-SMA-LSSVM預(yù)測模型研究

席語蓮, 凌周玥, 許曉敏*

(1.華北電力大學(xué)經(jīng)濟(jì)與管理學(xué)院, 北京 102206; 2.新能源電力與低碳發(fā)展北京市重點(diǎn)實(shí)驗(yàn)室, 北京 102206))

中國的能源結(jié)構(gòu)正在經(jīng)歷一場根本性的轉(zhuǎn)型,這一轉(zhuǎn)型是為了實(shí)現(xiàn)碳達(dá)峰和碳中和的戰(zhàn)略目標(biāo)而采取的重要舉措[1]。在這一能源結(jié)構(gòu)轉(zhuǎn)型不僅有助于降低溫室氣體排放,還有望減輕對化石燃料的依賴,為中國和全球的可持續(xù)發(fā)展目標(biāo)邁出了重要的一步。

這個(gè)能源結(jié)構(gòu)的深刻變革過程中,風(fēng)能作為可再生能源系統(tǒng)的核心組成部分,正顯現(xiàn)出廣泛的應(yīng)用前景和巨大的潛力[2]。根據(jù)全球風(fēng)能理事會2022年發(fā)布的最新數(shù)據(jù)表示,2022年全球新增的風(fēng)電裝機(jī)容量為77.6 GW。由2017年的540 GW,快速增至2022年的906 GW,年均復(fù)合增長率達(dá)7.7%[3]。此外,中國已成為全球最大的風(fēng)力發(fā)電國家。數(shù)據(jù)表明,2022年中國累計(jì)裝機(jī)容量為36 544×104kW,同比增長11.2%,新增裝機(jī)容量為3 763×104kW[4]。

風(fēng)力發(fā)電作為一種低碳能源供應(yīng)方式,可以顯著減少對傳統(tǒng)的燃煤和化石能源的依賴。然而,風(fēng)電功率表現(xiàn)出一定程度的隨機(jī)性和波動(dòng)性。這意味著風(fēng)力發(fā)電系統(tǒng)在不同時(shí)間和天氣條件下產(chǎn)生的電力量可能會有很大的變化。這種不穩(wěn)定性對風(fēng)電運(yùn)行成本、電網(wǎng)規(guī)劃建設(shè)等會產(chǎn)生較大的影響[5]。因此,為確保電力系統(tǒng)的可靠性和穩(wěn)定性,精確地預(yù)測風(fēng)電功率成為至關(guān)重要的方法之一。

現(xiàn)有的風(fēng)電功率預(yù)測研究方法按時(shí)間尺度可分為短期[6]、中長期預(yù)測[7],其中短期風(fēng)電功率預(yù)測主要分為物理方法[8]和統(tǒng)計(jì)方法[9]。物理方法通常涉及風(fēng)電場區(qū)域的地形、位置信息、天氣等因素,通過風(fēng)電物理模型預(yù)測風(fēng)能、風(fēng)電功率[10]等,但是由于物理模型計(jì)算量大,短期預(yù)測效果不理想。盡管統(tǒng)計(jì)方法如自回歸滑動(dòng)平均模型[11]、混沌時(shí)間序列模型[12]等,在建模方面表現(xiàn)出良好的計(jì)算效果,但它們在處理非周期性的預(yù)測信號時(shí)預(yù)測效果一般。針對上述問題,中外許多研究人員將以支持向量回歸模型、反向傳播神經(jīng)網(wǎng)絡(luò)模型人工神經(jīng)網(wǎng)絡(luò)模型等機(jī)器學(xué)習(xí)算法用于風(fēng)電功率預(yù)測問題中[13-15]。機(jī)器學(xué)習(xí)算法以其能力來提取數(shù)據(jù)之間的關(guān)系和特征而著稱,這使得它們在根據(jù)歷史數(shù)據(jù)情況下,非常適用于短期內(nèi)的風(fēng)電功率預(yù)測。

在最小二乘支持向量機(jī)模型中,正確選擇參數(shù)對于提高風(fēng)電功率的預(yù)測準(zhǔn)確性至關(guān)重要。一些研究者已經(jīng)開始使用優(yōu)化算法來改進(jìn)模型參數(shù),以達(dá)到提高風(fēng)電功率預(yù)測準(zhǔn)確性的目的。文獻(xiàn)[16-17]分別采用粒子群算法、遺傳算法嘗試優(yōu)化預(yù)測模型所需參數(shù)。雖然將優(yōu)化算法與預(yù)測模型結(jié)合在一起在一定程度上有助于提高風(fēng)電功率預(yù)測的準(zhǔn)確性,但由于風(fēng)電功率具有較大的波動(dòng)性,這不可避免地會對預(yù)測模型的穩(wěn)定性產(chǎn)生一定影響。

隨著研究的深入,學(xué)者們發(fā)現(xiàn)可以利用數(shù)據(jù)分解技術(shù)來處理風(fēng)電功率時(shí)間序列隨機(jī)性、波動(dòng)性和非平穩(wěn)性特點(diǎn),從而提高風(fēng)電功率的預(yù)測精度。文獻(xiàn)[18]針對短期風(fēng)速和風(fēng)電功率預(yù)測,結(jié)合經(jīng)驗(yàn)?zāi)B(tài)分解和嶺回歸方法,取得了較高的預(yù)測精度。文獻(xiàn)[19]采用集體經(jīng)驗(yàn)?zāi)B(tài)分解分解算法結(jié)合改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法,根據(jù)不同時(shí)間尺度對風(fēng)電功率短期進(jìn)行了預(yù)測研究。文獻(xiàn)[20]基于經(jīng)驗(yàn)?zāi)B(tài)分解與小波包分解的組合分解方法,結(jié)合優(yōu)化后的神經(jīng)網(wǎng)絡(luò)形成了風(fēng)電功率預(yù)測模型。但是此分解方法易出現(xiàn)模態(tài)混疊問題,小波分解存在小波基及小波層數(shù)選取復(fù)雜、集體經(jīng)驗(yàn)?zāi)Ｊ椒纸鈩t需要手動(dòng)選擇噪聲水平和噪聲數(shù)量。

現(xiàn)提出一種用于短期風(fēng)力發(fā)電功率預(yù)測的模型,結(jié)合完全集合經(jīng)驗(yàn)?zāi)B(tài)分解和黏菌算法的優(yōu)點(diǎn),進(jìn)行最小二乘支持向量機(jī)模型的參數(shù)優(yōu)化。通過對某地風(fēng)電場風(fēng)電功率序列數(shù)據(jù)進(jìn)行實(shí)驗(yàn),與不同預(yù)測模型比對,驗(yàn)證文中提出模型的實(shí)用性。

1 短期風(fēng)電功率的CEEEMDAN-SMA-LSSVM預(yù)測模型建立

1.1 完全集合經(jīng)驗(yàn)?zāi)B(tài)分解

經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition,EMD)是一種用于非線性和非平穩(wěn)信號分解的數(shù)據(jù)分析方法。這一方法通過迭代地提取信號中的局部極值點(diǎn),生成稱為成本征模態(tài)函數(shù)[21](intrinsic mode function,IMF)的基本信號成分。然而,在實(shí)施分解的過程中,出現(xiàn)了模態(tài)混疊問題。模態(tài)混疊問題是指在生成IMF時(shí),由于信號中存在多個(gè)頻率成分,導(dǎo)致某個(gè)IMF中包含了多個(gè)振動(dòng)模態(tài)的信息。這可能使得在對信號進(jìn)行重構(gòu)或進(jìn)一步分析時(shí),難以清晰地區(qū)分各個(gè)頻率成分,從而影響了EMD的分解效果。

為了改進(jìn)現(xiàn)有模型的性能,引入一種稱為集體經(jīng)驗(yàn)?zāi)Ｊ椒纸?ensemble empirical mode decomposition,EEMD)的方法。EEMD方法對原始信號引入噪聲,并多次重復(fù)進(jìn)行EMD分解,以生產(chǎn)多個(gè)EMD的分解結(jié)果。最終的EEMD分解結(jié)果是這些集合中所有分量的平均值[22]。然而,EEMD模型存在一些需要手動(dòng)調(diào)整的參數(shù),如噪聲水平和噪聲數(shù)量,這些參數(shù)的選擇可能會影響分解結(jié)果的準(zhǔn)確性。

其中,噪聲水平的選擇是一個(gè)關(guān)鍵因素。如果噪聲水平選擇得太小,可能無法有效地減輕模態(tài)混疊問題,導(dǎo)致分解結(jié)果的質(zhì)量不佳。相反,如果噪聲水平選擇得太大,可能會混淆信號的實(shí)際振動(dòng)模態(tài),從而引入不必要的誤差。此外,噪聲數(shù)量的選擇也是一個(gè)挑戰(zhàn),因?yàn)樗鼤绊懛纸膺^程的復(fù)雜性。增加白噪聲的次數(shù)會導(dǎo)致算法的計(jì)算速度下降,因?yàn)槊看味夹枰M(jìn)行EMD分解。因此,在選擇噪聲數(shù)量時(shí)需要權(quán)衡分解結(jié)果的準(zhǔn)確性和算法的計(jì)算效率。

為了進(jìn)一步提高分解結(jié)果的準(zhǔn)確性和穩(wěn)定性,完全集合經(jīng)驗(yàn)?zāi)B(tài)分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)被提出[23]。模型通過自適應(yīng)地調(diào)整噪聲水平和自動(dòng)選擇噪聲數(shù)量來降低人為因素對分解結(jié)果的影響通過引入白噪聲軌道和自適應(yīng)噪聲幅值的概念來解決模態(tài)混疊問題。白噪聲軌道可以幫助將信號中的高頻內(nèi)容分離出來,減少模態(tài)間的相互干擾和混合。自適應(yīng)噪聲幅值能夠根據(jù)信號的特性進(jìn)行調(diào)整,以抑制噪聲對分解結(jié)果的影響,提高分解的準(zhǔn)確性和可靠性[24]。CEEMDAN分解方法流程如下。

步驟1在風(fēng)電功率信號i中加入帶有初始信號信噪比的高斯白噪聲 ,得到新的信號 。用EMD對新信號進(jìn)行分解得到第一個(gè)固有模態(tài)分量。

(1)

其殘差函數(shù)為

(2)

步驟2將殘差加上一個(gè)白噪聲信號,此時(shí)信號更新為r1+ε1E1[δ(t)],對其進(jìn)行多次EMD分解并求得均值。Ek(·)為EMD分解得到的第k個(gè)分量,則第二個(gè)IMF分量為

(3)

步驟3反復(fù)執(zhí)行上述步驟,直到無法獲得符合規(guī)則的模態(tài)分量,得出第k+1個(gè)IMF分量為

(4)

其殘差函數(shù)為

(5)

最終,功率信號序列被分解為

(6)

1.2 黏菌算法優(yōu)化最小二乘支持向量機(jī)的模型

1.2.1 最小二乘支持向量機(jī)

最小二乘支持向量機(jī)(least squares support vector machine,LSSVM) 是一種機(jī)器學(xué)習(xí)方法[25],其主要特點(diǎn)是將傳統(tǒng)支持向量機(jī)中的不等式約束問題簡化為等式約束問題。這種簡化的方法極大地減輕了求解過程中的復(fù)雜性,因?yàn)樗苊饬诵枰鉀Q二次規(guī)劃問題,從而有效提高了模型求解的速度。

傳統(tǒng)的支持向量機(jī)通過解決一個(gè)凸優(yōu)化問題來找到最佳超平面,以將數(shù)據(jù)分成兩個(gè)類別。這個(gè)問題通常涉及不等式約束,因此其求解需要使用二次規(guī)劃等數(shù)學(xué)工具。然而,LSSVM方法采用了一種更為高效的方法,它將原本包含不等式約束的問題巧妙地轉(zhuǎn)化為等式約束問題,從而使模型的求解變得更加高效。

在一個(gè)輸入樣本集(xi,yi),i=1,2,…,l中,xi為第i個(gè)的輸入向量,yi為第i個(gè)輸出向量,共有l(wèi)個(gè)樣本數(shù)量。通過非線性變換,將樣本映射到一個(gè)高維的特征空間中。在這個(gè)特征空間中,LSSVM回歸預(yù)測函數(shù)為

f(x)=ωTφ(x)+c

(7)

式(7)中:ω和c為待定參數(shù);φ(·)為非線性空間轉(zhuǎn)換映射函數(shù)。確定ω和c等價(jià)于求解一下最優(yōu)問題。

(8)

式(8)中:γ為正則化參數(shù),控制對誤差的懲罰程度懲罰系數(shù);ei為誤差變量;ω為權(quán)值向量;c為偏移量。構(gòu)造拉格朗日函數(shù)為

(9)

式(9)中:ai為拉格朗日乘子。

根據(jù)解決一般的非線性規(guī)劃問題的相關(guān)條件,得到求解待定參數(shù)ω和c的方程[26]為

(10)

求解式(10),可得LSSVM數(shù)學(xué)模型為

(11)

式(11)中:K(·)為模型核函數(shù), 由于風(fēng)力發(fā)電數(shù)據(jù)具有非線性特性,所以通常采用徑向基核函數(shù)(RBF)[27],即

(12)

式(12)中:exp為指數(shù)函數(shù);σ為核函數(shù)參數(shù)。因此LSSVM模型的性能主要取決于γ和σ。

1.2.2 黏菌優(yōu)化算法

黏菌優(yōu)化算法(slime mould algorithm,SMA)是Li等[28]受自然界中黏菌啟發(fā),提出的一種元啟式優(yōu)化算法。黏菌是一種具有自組織和自移動(dòng)的能力的單細(xì)胞生物。通過集體行為,黏菌能夠在復(fù)雜環(huán)境中找到最短、最優(yōu)路徑等問題的解決方案[29]。在黏菌優(yōu)化算法中,利用了黏菌聚集形成的菌落結(jié)構(gòu)和菌絲網(wǎng)絡(luò)現(xiàn)象,將其應(yīng)用于優(yōu)化問題求解上。該算法模擬了黏菌的生長、擴(kuò)散和聚集行為,通過模擬這些行為來尋找優(yōu)化問題的全局最優(yōu)解[30]。

黏菌在尋找食物時(shí),會借助周圍環(huán)境中食物氣味的濃度信息,以一種化學(xué)感知的方式來確定食物的位置,通過式(13)來模擬其逼近行為。

(13)

式(13)中:X為黏菌的位置;t為當(dāng)前的迭代次數(shù);Xb(t)為發(fā)現(xiàn)的具有氣味濃度最高的黏菌個(gè)體的最優(yōu)位置;XA(t)和XB(t)為從黏菌群體中隨機(jī)選擇的兩個(gè)表示黏菌的個(gè)體[31];W為黏菌質(zhì)量,代表其適應(yīng)度的權(quán)重;vc為由1直線回落至0的參數(shù);vb為[-a,a]振蕩的向量;r為[0,1]的隨機(jī)值。控制變量p的公式為

p=tanh|S(i)-DF|

(14)

式(14)中:S(i)為XB(t)的適應(yīng)度;DF為在所有迭代中獲得的最佳適應(yīng)。

a的計(jì)算公式為

(15)

式(15)中:tmax為最大迭代次數(shù)。

式(13)中權(quán)重W的公式為

(16)

式(16)中:S(i)為黏菌個(gè)體適應(yīng)度值;r為位于[0,1]的隨機(jī)值;bF為當(dāng)前最佳的適應(yīng)度;WF為當(dāng)前最差的適應(yīng)度值;SmellIndex為適應(yīng)度值按升序排列的序列,當(dāng)解決最小值問題時(shí),適應(yīng)度值會按照升序排;condition為適應(yīng)度值排在前一半的黏菌個(gè)體。

式(16)模擬了黏菌的搜索策略:如何根據(jù)食物濃度來做相應(yīng)的調(diào)整。該模型考慮了黏菌靜脈組織正反饋和負(fù)反饋機(jī)制,用來模擬葉脈寬度與食物濃度之間的關(guān)系。在該模型中,葉脈收縮模式的不確定性用r表示。condition模擬了黏菌根據(jù)食物濃度,調(diào)整搜索模式。在接近食物濃度的附近,有著更大權(quán)重,這意味著,在這些區(qū)域附近,黏菌的搜索傾向更大。而在食物濃度較低區(qū)域,權(quán)重較小,黏菌會減少對這些區(qū)域的搜索。綜合以上多種因素,最終得到的修正后的公式為

(17)

式(17)中:LB和UB為搜索范圍的上限與下限;rand和r為位于[0,1]的隨機(jī)值;z為自定義參數(shù)。

在式(17)中,通過使用參數(shù)W、vb和vc,來模擬生物振蕩器,進(jìn)而實(shí)現(xiàn)葉脈寬度的變化周期,提高黏菌在選擇最佳食物來源時(shí)的工作效率。在這個(gè)模擬過程中,vb在[-a,a]隨機(jī)振蕩,并最終逐漸趨近于零。這個(gè)振蕩過程模擬了黏菌的狀態(tài)。黏菌在此過程中,決定自己是更靠近食物源還是繼續(xù)尋找其他的食物來源。vc在[-1,1]振蕩,最終趨于零。

1.3 CEEMDAN-SMA-LSSVM預(yù)測模型

CEEMDAN-SMA-LSSVM組合模型對風(fēng)電功率的預(yù)測模型流程圖如圖1所示,預(yù)測模型的具體步驟如下。

圖1 CEEMDAN-SMA-LSSVM組合預(yù)測模型流程圖Fig.1 Flowchart of CEEMDAN-SMA-LSSVM combined forecasting model

(1)序列分解:使用CEEMDAN算法對風(fēng)電功率數(shù)據(jù)進(jìn)行預(yù)處理, 使數(shù)據(jù)更容易進(jìn)行后續(xù)分析和建模。

(2)序列重組:對分解產(chǎn)生的本征模態(tài)分量進(jìn)行相空間重構(gòu),得到新的數(shù)據(jù)序列。

(3)SMA-LSSVM模型訓(xùn)練和預(yù)測。①參數(shù)設(shè)置;②種群初始化。為黏菌種群賦予位置信息;③更新參數(shù)。通過對當(dāng)前黏菌種群的適應(yīng)度值進(jìn)行排序,找出當(dāng)前最佳解;④更新個(gè)體位置。計(jì)算黏菌個(gè)體適應(yīng)度值,并更新最優(yōu)個(gè)體位置;⑤判斷迭代次數(shù)。判斷當(dāng)前迭代次數(shù)是否達(dá)到預(yù)先設(shè)置的閾值,如果迭代條件尚未滿足,則重復(fù)步驟②,直至得到最優(yōu)的個(gè)體作為輸出;⑥提取最佳參數(shù)。獲取最佳適應(yīng)度值和最佳位置,建立SMA-LSSVM模型。

(4)預(yù)測結(jié)果求和:得到每個(gè)SMA-LSSVM模型的預(yù)測值后,將其疊加獲得完整的功率預(yù)測結(jié)果。

2 算例分析

2.1 模型構(gòu)建及預(yù)測

為了驗(yàn)證本文提出的CEEMDAN-SMA-LSSVM模型預(yù)測短期風(fēng)力發(fā)電功率的效率高于其他模型,選取了某一地區(qū)某風(fēng)電場連續(xù)10 d的風(fēng)電功率數(shù)據(jù)作為算例進(jìn)行驗(yàn)證。具體的數(shù)據(jù)如圖2所示。

圖2 原始風(fēng)電功率數(shù)據(jù)Fig.2 Raw wind power data

數(shù)據(jù)中風(fēng)電功率的采樣時(shí)間間隔15min,共有960個(gè)數(shù)據(jù)點(diǎn),總共有960個(gè)數(shù)據(jù)點(diǎn),將其中的前75%(720個(gè)數(shù)據(jù)點(diǎn))來構(gòu)建訓(xùn)練集,而剩下的25%(240個(gè)數(shù)據(jù)點(diǎn))將組成測試集。

從圖2的數(shù)據(jù)可以看出,原始風(fēng)電功率序列表現(xiàn)出著的波動(dòng)性和隨機(jī)性特征,這種特征使得模型的預(yù)測變得更加具有難度。因此通過CEEMDAN分解方法對其進(jìn)行分解處理。實(shí)驗(yàn)中將CEEMDAN分解方法中的信噪比設(shè)置為0.2,添加噪聲次數(shù)設(shè)置為100。CEEMDAN分解方法對風(fēng)電功率序列分解后的數(shù)據(jù)如圖3所示。

圖3 風(fēng)電功率數(shù)據(jù)的CEEMDAN分解圖Fig.3 CEEMDAN decomposition of wind power data

對比分解前的風(fēng)電功率數(shù)據(jù),可以觀察到,在分解后,每個(gè)生成的序列的波動(dòng)性顯著降低,同時(shí)波動(dòng)的規(guī)律性增強(qiáng)。這一分解過程有效地減少了殘余白噪聲的干擾,為后續(xù)的預(yù)測模型提供了更加清晰和可靠的數(shù)據(jù)基礎(chǔ)。

在分解風(fēng)電功率序列數(shù)據(jù)后,對序列建立SMA-LSSVM模型預(yù)測。對SMA優(yōu)化算法的參數(shù)設(shè)置為:種群規(guī)模為30,空間維度為2,最大迭代次數(shù)為30,z為0.3。利用SMA優(yōu)化算法尋找最小二乘支持向量機(jī)的優(yōu)化參數(shù)懲罰參數(shù)γ和核參數(shù)σ。SMA優(yōu)化算法的LSSVM適應(yīng)度曲線如圖4所示。

圖4 SMA優(yōu)化算法的LSSVM適應(yīng)度曲線Fig.4 LSSVM fitness curves for SMA optimization

從SMA優(yōu)化算法的迭代曲線可以看出,其大約在28代,曲線收斂趨于平滑。將經(jīng)過優(yōu)化的參數(shù),應(yīng)用于LSSVM預(yù)測模型,用于進(jìn)行風(fēng)電功率的預(yù)測。圖5展示了CEEMDAN-SMA-LSSVM模型預(yù)測結(jié)果。

圖5 CEEMDAN-SMA-LSSVM預(yù)測結(jié)果Fig.5 Prediction results of CEEMDAN-SMA-LSSVM

從預(yù)測結(jié)果可以看出,CEEMDAN-SMA-LSSVM模型的預(yù)測精度較高,說明CEEMDAN分解算法有效減少模態(tài)間的相互干擾和混合,SMA-LSSVM模型提高了預(yù)測的準(zhǔn)確性。

2.2 模型比較

為了有效驗(yàn)證所建立的模型在可行性和性能上的優(yōu)勢,將它與多個(gè)其他模型,包括LSSVM、SMA-LSSVM、PSO-LSSVM、GA-LSSVM、EMD-SMA-LSSVM和EEMD-SMA-LSSVM,并進(jìn)行詳細(xì)的對比分析。其中,PSO優(yōu)化算法采用以下參數(shù)設(shè)置:種群規(guī)模大小為30,最大的迭代次數(shù)為30,自我學(xué)習(xí)因子為2,社會學(xué)習(xí)因子2。GA優(yōu)化算法的參數(shù)包括:種群的規(guī)模設(shè)置為30,迭代次數(shù)為30,變異概率為0.1,交叉概率也為0.1。圖6和圖7展示了各個(gè)預(yù)測模型在測試集上的預(yù)測結(jié)果。

圖6 三種分解方法預(yù)測結(jié)果Fig.6 Prediction results of three decomposition methods

圖7 三種優(yōu)化算法預(yù)測結(jié)果圖Fig.7 Three optimization algorithms predict the results

為了對預(yù)測結(jié)果進(jìn)行有效評估,使用平均絕對誤差(MAE),均方根誤差(RMSE)和平均相對百分比誤差(MAPE)等指標(biāo)來進(jìn)行誤差評估。其計(jì)算方法分別為

(18)

(19)

(20)

MAE、RMSE和 MAPE的值越小,表明表示模型的預(yù)測性能更佳。實(shí)驗(yàn)所得各個(gè)模型指標(biāo)如表1所示。

表1 各模型預(yù)測評價(jià)指標(biāo)對比表Table 1 Comparison of evaluation indicators for different model forecasts

通過觀察圖6中的三種分解模型的預(yù)測結(jié)果,以及表1中的評價(jià)指標(biāo)對比,可以明顯看出,通過應(yīng)用EMD、EEMD和CEEMDDAN三種算法對原始數(shù)據(jù)進(jìn)行分解,其預(yù)測難度得到了顯著降低。相比之下,CEEMDAN方法分解后的預(yù)測效果更佳。

通過觀察圖7展示的三種優(yōu)化模型的預(yù)測結(jié)果,以及表1中的評價(jià)指標(biāo)對比,也能明顯觀察到,在經(jīng)過各種優(yōu)化算法對LSSVM的懲罰因子和核參數(shù)進(jìn)行優(yōu)化后,預(yù)測精度都得到了相應(yīng)程度的提高。相比之下,SMA優(yōu)化算法的效果更佳。

這些分析結(jié)果表明,采用CEEMDAN分解方法和SMA優(yōu)化算法可以顯著提高預(yù)測模型的性能。

3 結(jié)論

提出了一種基于CEEMDAN分解和SMA算法優(yōu)化LSSVM混合模型的短期風(fēng)電功率預(yù)測方法,經(jīng)過理論分析和實(shí)例驗(yàn)證后,得出了以下結(jié)論。

(1)通過使用CEEMDAN分解方法對風(fēng)電功率數(shù)據(jù)進(jìn)行處理,顯著降低了原始數(shù)據(jù)的波動(dòng)性,從而提高了后續(xù)模型所使用的輸入數(shù)據(jù)的質(zhì)量。這種高度精細(xì)的分解方法具有出色的能力,能夠更為精準(zhǔn)地捕捉數(shù)據(jù)中的周期性和趨勢性信息,使其在風(fēng)電功率數(shù)據(jù)分析中成為一項(xiàng)非常重要的工具。

(2)采用SMA-LSSVM混合模型,用經(jīng)過CEEMDAN分解后的重組序列作為輸入進(jìn)行預(yù)測。相較于單一的LSSVM預(yù)測模型,該混合模型結(jié)合了SMA和LSSVM的優(yōu)勢,能夠更好地提取非連續(xù)數(shù)據(jù)間的潛在有效特征。

(3)預(yù)測結(jié)果表明,基于CEEMDAN分解和SMA-LSSVM混合模型的短期風(fēng)電功率預(yù)測算法相比其他常見的預(yù)測算法能夠更準(zhǔn)確地預(yù)測實(shí)際功率數(shù)據(jù)的變化。各項(xiàng)評價(jià)指標(biāo)的優(yōu)越性進(jìn)一步證明了該方法的有效性。預(yù)測結(jié)果為電網(wǎng)運(yùn)行調(diào)度人員的合理安排電力資源和提高電能調(diào)度效率等工作提供了及時(shí)有效的依據(jù)。

(4)CEEMDAN分解和SMA-LSSVM預(yù)測,這兩種方法相互補(bǔ)充,提高了短期風(fēng)電功率預(yù)測的準(zhǔn)確性和可行性,為實(shí)際應(yīng)用中的電力系統(tǒng)運(yùn)營提供了重要的決策支持。