基于VMD-LILGWO-LSSVM短期风电功率预测

• Published in: 河南理工大学学报（自然科学版） Vol. 43; no. 2; pp. 128 - 136
• Main Authors: 王瑞, 李虹锐, 逯静, 卜旭辉
• Format: Journal Article
• Language: Chinese
• Published: 河南理工大学 计算机科学与技术学院,河南 焦作 454000%河南理工大学 电气工程与自动化学院,河南 焦作 454000 01.03.2024
• Subjects: 短期预测; wind power; variational mode decomposition; 变分模态分解; 风电功率; 最小二乘支持向量机; 改进灰狼算法; lens im-aging learning grey wolf optimizer algorithm; approximate entropy; least squares support vector machine; short-term prediction; 近似熵
• ISSN: 1673-9787
• DOI: 10.16186/j.cnki.1673-9787.2021110135

TP391.9; 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.