基于EWT-KELM方法的短期风电功率组合预测

针对短期风电功率预测,提出一种基于经验小波变换(Empirical Wavelet Transform,EWT)预处理的核极限学习机(Extreme Learning Machine With Kernels,KELM)组合预测方法。首先采用EWT对风电场实测风速数据进行自适应分解并提取具有傅立叶紧支撑的模态信号分量,针对每个分量分别构建KELM预测模型,最后对各个预测模型的输出进行叠加得到风速预测值并根据风电场风功特性曲线可得对应风电功率预测值,为验证本文方法的有效性,将其应用于国内某风电场的短期风电功率预测中,在同等条件下,与KELM方法、极限学习机(Extreme Learning Machine,ELM)方法、支持向量机(Support Vector Mmachine,SVM)方法以及BP (Back Propagation Neural Network)方法对比,实验结果表明,本文所提方法具有较好的预测精度和应用潜力。

基于经验小波变换和多核学习的风电功率短期预测

针对短期风电功率预测,提出了一种基于经验小波变换(empirical wavelet transform,EWT)和多核学习(multiple kernel learning,MKL)的组合预测方法.采用EWT方法对时间序列数据进行分解,并且对各个分量信号形成的子序列构建不同的MKL预测模型,由Simple MKL、MKL-wrapper、MKL-chunking三种不同的算法实现,最终对预测结果进行叠加.为验证所提方法的有效性,将其应用于某风电场的不同季节短期风电功率单步及多步直接预测中,并且以NREL(national renewable energy laboratory)实验室所提供的实测风速数据集为实例,应用于短期风电功率单步及多步间接预测中.在同等条件下,还与支持向量机(support vector machine,SVM)及小波SVM(wavelet support vector machine,WSVM)方法进行对比.结果表明,基于不同算法实现的EWT-MKL方法具有较高的预测精度,模型泛化性能好,显示出其有效性.