基于VMD-LILGWO-LSSVM短期风电功率预测
王瑞1
李虹锐1
逯静1
卜旭辉2
1.河南理工大学 计算机科学与技术学院,河南 焦作 4540002.河南理工大学 电气工程与自动化学院,河南 焦作 454000
摘要：目的 为了减小风电功率并入国家电网时产生的频率波动,提高风电功率预测精度,方法 提出一种结合变分模态分解(VMD)、改进灰狼算法(LILGWO)和最小二乘支持向量机(LSSVM)的风电功率短期预测方法.首先通过VMD方法将风电功率序列分解重构成3个复杂程度性不同的模态分量,降低风电功率的波动性;其次使用LSSVM挖掘各分量的特征信息,对各分量分别进行预测,针对LSSVM模型中重要参数的选取对预测精度影响较大问题,引入LILGWO对参数进行寻优;最后将各分量预测结果叠加重构,得到最终预测风电功率.结果 以宁夏回族自治区某地区风电站实际数据为例,对未来三天分别进行预测取平均值,本文方法的预测平均绝对误差(mean absolute error,MAE)为 2.706 8 kW,均方根误差(root mean square error,RMSE)为 2.021 1,拟合程度决定系数(R-Square,R2)为 0.976 9,与对比方法 3～6 相比,RMSE分别降低了 40.93%,25.21%,14.7%,6.24%;MAE分别降低了 42.34%,28.04%,16.97%,7.77%;R2 分别提升了 4.21%,1.78%,0.82%,0.28%.预测时长方面,BP和LSSVM平均训练时间分别是10,138 s,虽然LSSVM预测时间较长但效果最好,采用PSO、GWO、LILGWO对LSSVM进行寻优后训练时间分别平均缩短了39,44,58 s.结论 仿真验证了所提方法在短期风电功率预测方面的有效性.
关键词：风电功率短期预测变分模态分解近似熵改进灰狼算法最小二乘支持向量机
分类号：TP391.9(计算技术、计算机技术)
资助基金：国家自然科学基金(U1804147)河南省科技攻关项目(222102210120)
论文发表日期：2024-04-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：9( 128-136 )
英文信息