基于集合经验模态分解和支持向量机的短期风速预测模型.pdf

《基于集合经验模态分解和支持向量机的短期风速预测模型.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第40卷第5期华北电力大学学报Vo1．40．No．52013年9月JournalofNorthChinaElectricPowerUniversitySep．，2013doi：10．3969／j．ISSN．1007—2691．2013．05．11基于集合经验模态分解和支持向量机的短期风速预测模型祝晓燕，张金会，付士鹏，朱霄殉(华北电力大学能源动力与机械工程学院，河北保定071003)摘要：针对风电场时短期风速的准确预测的要求，建立了一种基于集合模态分解(EnsembleEmpiricalModeDecomposition，EEMD)和粒子群算法(ParticleSwarmOp

2、timization，PSO)优化支持向量机(SupportVectorMachine，SVM)的预测模型。该模型首先对非平稳的风速时间序列进行EEMD分解，分解为一系列的相对平稳的分量；然后SVM对各个分量进行预测，针时各个分量的特点利用PSO对SVM进行参数的优化，对各个分量的SVM预测模型选取最佳的参数组合；最后将分量的预测结果叠加输出最后的风速预测结果。结果表明该预测模型比SVM直接预测模型精度高，达到了预测要求。关键词：集合经验模态分解；支持向量机；粒子群算法；预测模型中图分类号：TM614文献标识码：A文章编号：1007—2691(2O13)05—0060—05S

3、hort-termwindspeedpredictionmodelbasedonEEMDandSVMZHUXiao—yan，ZHANGJin-hui，FUShi—peng，ZHUXiao·xun(SchoolofEnergyPowerandMechanicalEngineering，NorthChinaElectricPowerUniversity，Baoding071003，China)Abstract：Accordingtotherequirementofaccuratepredictionofshort—termwindspeed，theshort—termwindsp

4、eedpredictionmodelbasedonEEMDandSVMisestablished．First，theseriestimeofnon—stationarywindspeedisbrokendownintoaseriesofrelativelystablecomponentsbyEEMD．Then，thevariouscomponentsarepredictedbySVMandaccordingtothecharacteristicsofeachcomponents，parameteroptimizationofSVMismadebyPSO．Finally，the

5、pre-dictedresultsofcomponentsaresuperimposedandoutputastheresuhs．TheresultsshowthatthepredictionmodelhasthehigheraccuracythanSVMdirectlypredictionmodelandgettoforecastrequirement．Keywords：ensembleempiricalmodedecomposition；supportvectormachine；particleswarmoptimization；predictionmode】才能帮助调度

6、部门及时的调整计划，实现安全并0引言网。所谓风速的短期预测是指预测以分或小时为随着国家对风力等的新能源大力支持，风力单位进行短期的阶段预测。对短期风速的直接预开发正在迅猛的发展。然而，风能的不稳定性造测，其精度有限，但随着风电的迅猛发展，预测方成了发电质量的下降，严重制约着风力发电的发法的不断创新、丰富，预测精度有了大幅度的提展。为了提高发电质量，减少风能对电网的冲击，高，误差在逐渐的减小。同时也为了减少风电场的运行成本，就必须了解本文根据风电场获得地现场数据，建立了一风速的变化规律，及时、准确的对风速进行预测，种基于集合模态分解(EnsembleEmpiricalModeD

7、ecomposition，EEMD)和粒子群算法(Particle收稿日期：2012—05—08SwarmOptimization，PSO)优化支持向量机(Sup-第5期祝晓燕，等：基于集合经验模态分解和支持向量机的短期风速预测模型61portVectorMachine。SVM)的预测模型。并通过与重复(1)和(2)，把得到的各个imf取均值最为最SVM直接预测方法进行了精度比较，验证了本文终的结果。方法的优越性。1．2粒子群优化算法原理粒子群优化算法(ParticleSwarmOptimization