基于EEMD-IGSA-LSSVM的超短期風電功率預(yù)測

江岳春, 楊旭瓊，賀 飛，陳禮鋒，何鐘南

(湖南大學 電氣與信息工程學院，湖南 長沙 410082)

?

基于EEMD-IGSA-LSSVM的超短期風電功率預(yù)測

江岳春, 楊旭瓊*，賀 飛，陳禮鋒，何鐘南

(湖南大學 電氣與信息工程學院，湖南 長沙 410082)

為了提高風電場輸出功率的預(yù)測精度，在保證安全操作的前提下，建立了一種基于集合經(jīng)驗?zāi)B(tài)分解(EEMD)、改進引力搜索算法(IGSA)、最小二乘支持向量機(LSSVM)相結(jié)合的風電功率組合預(yù)測模型.首先運用EEMD算法將風電功率時間序列分解成一系列復(fù)雜度差異明顯的子序列；其次利用相空間重構(gòu)(PSR)對已分解好的子序列進行重構(gòu)，對重構(gòu)后的每個子序列分別建立IGSA-LSSVM預(yù)測模型，為分析不同核函數(shù)構(gòu)造LSSVM的差異性，建立了8種核函數(shù)LSSVM預(yù)測模型，利用IGSA算法求解其模型；最后以中國內(nèi)蒙古地區(qū)的某一風電場為算例，仿真及驗算結(jié)果表明，利用IGSA算法尋優(yōu)得到的指數(shù)徑向基核函數(shù)核參數(shù)和懲罰因子構(gòu)建的LSSVM模型具有較高的預(yù)測準確性；與EEMD-WNN，EEMD-PSO-LSSVM等5種常規(guī)組合模型相比，所提出的指數(shù)徑向基核函數(shù)的EEMD-IGSA-LSSVM組合模型能有效、準確地進行風電功率預(yù)測.

集合經(jīng)驗?zāi)B(tài)分解；風功率預(yù)測；最小二乘向量機；改進引力搜索算法；指數(shù)徑向基核函數(shù)

風電的隨機性和波動性會導(dǎo)致風電功率輸出的波動和不穩(wěn)定，阻礙了大規(guī)模風力發(fā)電上網(wǎng)，導(dǎo)致制訂發(fā)電調(diào)度計劃和電力調(diào)度的困難，但是，通過提高超短期風電功率的預(yù)測精度，能有效地解決這些難題[1].

在時間尺度層面，風電功率的預(yù)測可分成中長期(數(shù)天)，短期(數(shù)小時至數(shù)天)和超短期預(yù)測(幾分鐘至幾小時).目前，風電功率預(yù)測方法劃分為以下兩類：一類是數(shù)值天氣預(yù)報(numerical weather prediction，NWP)物理建模技術(shù)[2]，另一類是歷史數(shù)據(jù)的統(tǒng)計建模技術(shù).前者需考慮地形、氣壓和氣溫等復(fù)雜因素，使預(yù)測運算量大，成本高.后者主要是智能學習算法，包括：以時間序列法[3-4]建立的預(yù)測模型、以卡爾曼濾波[5]建立的預(yù)測模型、以支持向量機法[6]構(gòu)建的預(yù)測模型以及以最小二乘支持向量機法[7]構(gòu)建的預(yù)測模型；最小二乘支持向量機(least squares support vector machine,LSSVM)對于非線性、小樣本、高尺度識別等問題的解決，占據(jù)獨特的優(yōu)勢，具有較高的泛化性能和較好的非線性擬合性能.但是，LSSVM的核函數(shù)和核參數(shù)選擇會影響其預(yù)測精度和泛化能力.文獻[7]在進行風速預(yù)測時，預(yù)測LSSVM模型選取高斯徑向基核函數(shù).文獻[8-9]采用最小二乘向量機方法進行風速預(yù)測建模時，選擇了徑向基(radial basis function,RBF)核函數(shù)，但是上述方法預(yù)測風速時精度有待進一步提高.遺傳算法[10]、蟻群優(yōu)化算法[11]和粒子群算法[12]等已經(jīng)逐漸應(yīng)用到尋找LSSVM的最優(yōu)參數(shù)中，對于常規(guī)模式尋優(yōu)速度慢的困擾提供了解決辦法.文獻[13]詳細介紹了GSA算法的收斂的精度、速度這兩方面具有相對的優(yōu)勢.目前，有文獻[14]將引力搜索算法(GSA算法)應(yīng)用于支持向量機參數(shù)識別中，表明了采用GSA算法對支持向量機參數(shù)優(yōu)化具有很好的效果.所以GSA算法應(yīng)當對LSSVM的核函數(shù)、核參數(shù)的尋找和優(yōu)化也同樣的適用.

此外，風功率信號的非平穩(wěn)性嚴重的制約預(yù)測模型的建立和預(yù)測精度的提高.目前，降低風電功率非平穩(wěn)性主要有：傅里葉分解法[15]、小波分解法[16]和經(jīng)驗?zāi)B(tài)多尺度分解法[17].其中，傅里葉分解法得到的子序列在時域內(nèi)沒有分辨率，自適應(yīng)性差；小波分解法則需要人為預(yù)先設(shè)定基函數(shù)，操作不便，分解結(jié)果含有多余信號；EMD多尺度分解具有較高的時頻分辨性能，其基函數(shù)由原始數(shù)據(jù)驅(qū)動產(chǎn)生.但是，端點效應(yīng)和模態(tài)混疊現(xiàn)象會降低EMD分解質(zhì)量，進而影響預(yù)測準確性.

本文將EEMD，IGSA算法和LSSVM方法相結(jié)合，提出了基于EEMD-IGSA-LSSVM組合預(yù)測模型.通過EEMD將風功率時間序列分解成一系列差異復(fù)雜度明顯的子序列，利用相空間重構(gòu)對每個本征模態(tài)函數(shù)(intrinsic mode function,IMF)分量進行重構(gòu)，對重構(gòu)后的每個IMF變量分別建立IGSA-LSSVM預(yù)測模型.為分析不同核函數(shù)構(gòu)造LSSVM的差異性，本文利用IGSA算法對8種核函數(shù)LSSVM預(yù)測模型進行對比分析.最后，以某風電場的風電實測數(shù)據(jù)進行仿真對比分析，仿真結(jié)果表明了基于指數(shù)徑向基核函數(shù)的混合的EEMD-IGSA-LSSVM模型具有更高的精度．同時，與常見的EEMD-WNN，EEMD-LSSVM等5種組合模型對比，所提組合模型的預(yù)測結(jié)果最好；因此對于風電預(yù)測來說EEMD-IGSA-LSSVM組合模型能有效、準確地進行風電功率預(yù)測.

1 聚類經(jīng)驗?zāi)B(tài)多尺度分解(EEMD)

文獻[17]介紹了經(jīng)驗?zāi)B(tài)分解(Empirical mode decomposition, EMD)是一種可將非線性非平穩(wěn)的序列信號分解為各種不同尺度的本征模態(tài)函數(shù)(intrinsic mode function, IMF)和一個剩余分量的自適應(yīng)信號的分解方法.EMD的分解結(jié)果如式(1)：

(1)

在實際中，風電功率的時間序列往往會摻雜不純凈的白噪聲，導(dǎo)致分解會丟失重要的時間尺度，出現(xiàn)模態(tài)混疊現(xiàn)象.文獻[18]介紹了EEMD可以利用噪聲特性來有效地抑制這一現(xiàn)象，其實現(xiàn)的詳細步驟如下：

3)重復(fù)步驟1)、步驟2)r次，每次加入幅值不同的白噪聲序列.

4)將r次分解得到的各個IMF分量整體求平均值，并將其作為原始風電功率時序的IMF分量.

當殘差信號r=100，噪聲強度α從[0.1,0.3]之間取值時能夠得到較好地分解結(jié)果.因此本文取r=100，α=0.25.

2 相空間重構(gòu)相關(guān)論述

文獻[19]證明風功率時間序列具備混沌的特性，而相空間重構(gòu)則是分析混沌時序的一種重要方法，已成為挖掘風功率時序非線性動力學特征和優(yōu)化預(yù)測模型學習樣本的新穎、有效地手法[20].已知風電功率時序為{x(i)}，i=1,2,…,n.可通過重構(gòu)相空間向量X(t)來構(gòu)造一個m維吸引子.

X(i)=[x(i),x(i+τ),x(i+2τ),…,x(i+

(m-1)τ)]T．

(2)

式中：m為嵌入維數(shù);τ為延遲時間，i=1,2,…,N，N=n-(m-1)τ.由Takes定理，當m≥2d+1(d為原動力系統(tǒng)維數(shù))，其重構(gòu)后的相空間與原動力系統(tǒng)吸引子相等價.

本文采用關(guān)聯(lián)積分(correlation-integral ,C-C)法[21]來對章節(jié)1分解得到的風電功率子時序進行重構(gòu)向量.C-C法中的嵌入維數(shù)m和延遲時間τ是相互關(guān)聯(lián)的，通過關(guān)聯(lián)積分函數(shù)能夠同時估計最優(yōu)時延τ和嵌入窗τw，根據(jù)嵌入窗時間公式τw=(m-1)τ求出嵌入維數(shù)m.

3 基于IGSA優(yōu)化的LSSVM預(yù)測模型

3.1 最小二乘支持向量機的相關(guān)理論

對于數(shù)據(jù)回歸的處理，支持向量機(SVM)通過結(jié)構(gòu)風險最小化代替之前的經(jīng)驗風險技術(shù)，克服了過度擬合的問題，提高了泛化能力.LSSVM改進和擴展了SVM的數(shù)學模型，LSSVM 是將誤差二范數(shù)作為損失函數(shù)，將 SVM 的不等式約束變?yōu)榈仁剑襆SSVM在求解線性系統(tǒng)代替二次規(guī)劃問題的訓(xùn)練方面，減少了模型學習的計算時間.LSSVM最終用于表示回歸的LSSVM預(yù)測模型為:

(3)

式中：K(xi,xj)為核函數(shù)；b為固定值偏差；βi為預(yù)測模型的權(quán)值向量.

雖然LSSVM在解決諸如小樣本、非線性、高尺度等方面問題上取得了更好的效果，但是LSSVM依然受到懲罰因子γ、核函數(shù)類型和核參數(shù)的影響.文獻[20]指出核函數(shù)及其參數(shù)的組合不同會對LSSVM 回歸性能有很大的影響，也會影響它的泛化能力.因此，如何正確的選擇核函數(shù)及其參數(shù)對最小二乘支持向量機的模型具有重大的研究意義.

目前，常用的核函數(shù)有RBF核、POLY核、Sigmoid核和高斯(Gaussian)核以及線性核[7-9]共5種；本文除了采用以上5種基本的核函數(shù)之外，還將采用以下的3種核函數(shù)[22-23]來構(gòu)建LSSVM模型；核函數(shù)的公式如下：

1)ERBF核函數(shù)(指數(shù)徑向基)

(4)

2)Morlet核函數(shù)

(5)

3)Mexican Hat (Mexihat)核函數(shù)

(6)

式(4)～(6)中：σ為核的寬度.為了增強預(yù)測模型的準確度，避免核函數(shù)及其參數(shù)選擇的盲目性，需要優(yōu)化所建立的8種核函數(shù)的LSSVM模型.故本文采用了一種已改進后的GSA算法來選擇兩個參數(shù)γ和σ的最優(yōu)值.

3.2 引力搜索算法(GSA算法)

(7)

式中:Maj和Mpi分別為粒子j的萬有引力質(zhì)量和粒子i的萬有引力質(zhì)量;ε為很小的固定值，G(t)為萬有引力時間常數(shù).

設(shè)萬有引力質(zhì)量與萬有引力的慣性質(zhì)量相等，通過適應(yīng)度函數(shù)給出粒子的萬有引力質(zhì)量，其定義為：

mi(t)=

(8)

式中:fitnessi(t)為粒子適應(yīng)度函數(shù)值；best(t)為最優(yōu)適應(yīng)度函數(shù)值；worst(t)為群體最差適應(yīng)度函數(shù)值.

(9)

(10)

最后，可以得到個體的萬有引力速度和位置改進公式如式(11)，式(12)：

(11)

(12)

3.3 改進引力搜索算法(IGSA算法)

根據(jù)文獻[13]中的測試結(jié)果可知，GSA 的優(yōu)化性能雖然相比于粒子群等其他智能優(yōu)化算法有了較大的提高，但是對于大多數(shù)標準的測試函數(shù)，GSA 一般只能收斂到最優(yōu)解附近的某個局部最優(yōu)值，存在早熟收斂現(xiàn)象.為了判斷 GSA 算法中粒子個體是否會陷入早熟收斂，采用文獻[24]中的早熟鑒定方程式：

設(shè)群體適應(yīng)度方差ω2為：

(13)

式中:m為種群大小；fi為第i個個體的適應(yīng)度；favg為平均適應(yīng)度；f為歸一化定標因子用來限制ω2的大小，取值如式(14)：

(14)

由于迭代次數(shù)的不斷增多，種群個體相互之間的位置、作用力等，會逐漸的接近，則ω2會逐漸減小.若ω2<α(α為已給定值)，則種群就越發(fā)容易陷入局部最優(yōu)的困擾.因此，應(yīng)當對個體增加一定的擾動，使陷入局部最優(yōu)個體得到新的搜索位置，從而保證個體跳出局部最優(yōu)，增加擾動因子β對其粒子位置的處理，β的表達公式如式(15)：

β=a1[G(0,1)+a2C(0,1)]．

(15)

式中：a1取值為1.75；a2取值為3.78；G(0,1)為服從基本高斯分布的隨機值；C(0,1)為服從基本柯西分布的隨機值，最終個體粒子的位置更新公式為：

(16)

IGSA優(yōu)化LSSVM模型參數(shù)的具體步驟如下：

1)設(shè)置 GSA 的相關(guān)參數(shù)，隨機設(shè)置個體的位置.

2)程序?qū)⑤敵隽烤秸`差 MSE 作為目標函數(shù)，根據(jù)MSE的計算公式，得到每個個體的適應(yīng)度數(shù)值．MSE表達式如式(17)所示：

(17)

式中：N為原始數(shù)據(jù)的具體數(shù)目；yi為真實數(shù)據(jù)值；yp為擬合數(shù)據(jù).

3)根據(jù)式(8)計算個體的萬有引力慣性質(zhì)量，根據(jù)式(7) 和式(9)計算每個個體力的總和，根據(jù)式(10)計算個體萬有引力加速度.

4)根據(jù)式(11)和式(12)改良每個個體的速度和位置.

5)計算適應(yīng)度值方差ω2，若ω2<α則存在早熟，跳入步6)；否則，將跳入步7).

6)通過式(16)對種群里的個體位置進行干擾舉動.

7)終止條件判斷.達到系統(tǒng)設(shè)定最大迭代次數(shù)后 ，算法搜索停止，算法所輸出的最優(yōu)解值即為最優(yōu)的 LSSVM參數(shù)值；否則，則跳入步驟 3).綜上可知，IGSA-LSSVM進行風電功率預(yù)測的建模如圖1所示．

1)對原始的數(shù)據(jù)值進行最大最小化處理，處理公式為：

(18)

2)選擇3.1節(jié)所述的8種核函數(shù)構(gòu)建初始的LSSVM模型.

3)建立基于IGSA優(yōu)化LSSVM參數(shù)的預(yù)測模型.

4)建立步驟3)得到的最優(yōu)核函數(shù)和其參數(shù)的最優(yōu)新型LSSVM預(yù)測模型.

5)將最優(yōu)新型的LSSVM模型的訓(xùn)練數(shù)據(jù)誤差對比分析.

圖1 超短期IGSA-LSSVM模型的預(yù)測流程

4 EEMD-IGSA-LSSVM相結(jié)合的風電功率超短期預(yù)測模型

風功率時間序列具有非穩(wěn)態(tài)性、非線性和混沌特性，只采用一般的預(yù)測方法難以取得較高的預(yù)測精度.基于EEMD降低風功率信號非穩(wěn)態(tài)性的優(yōu)勢以及IGSA-LSSVM模型預(yù)測非線性系統(tǒng)的良好性能，本文建立了一種基于EEMD-IGSA-LSSVM組合模型預(yù)測風功率，其建模流程如圖2所示.具體流程如下：

1)對原始的風功率時間序列{x(t)}進行EEMD分解，得到不同時間尺度的n個IMF分量和1個殘差余項rn.

2)根據(jù)相空間重構(gòu)方法，確定各個本征模態(tài)分量函數(shù)和殘差項函數(shù)的延遲窗τω，延遲時間τ和嵌入維數(shù)m，顯然，不同分量函數(shù)的延遲窗τω、延遲時間τ和嵌入維數(shù)m均不相同.

3)針對每個IMF分量和殘差余項rn.分別建立各自的IGSA-LSSVM模型并進行預(yù)測，得到全部IGSA-LSSVM模型的預(yù)測值.

4)疊加不同尺度下風功率預(yù)測值，將其作為最終的風功率預(yù)測值.

5)誤差分析．

圖2 風電功率超短期EEMD-IGAS-LSSVM模型流程

5 算例及結(jié)果分析

5.1 風電功率模型的樣本選擇及處理

以中國內(nèi)蒙古扎魯特一期風電場夏秋季2015年5月12號～7月10號的連續(xù)1 440 h的實測數(shù)據(jù)為例，該風場由58臺丹麥Vestas(維斯塔斯)生產(chǎn)的V58～850 kW機組組成，裝機總?cè)萘?9.3 MW，每15 min進行采樣；該機組在6月14號～6月16號3 d的輸出功率達到功率800 kW左右.為進一步數(shù)據(jù)處理的方便，以小時為單位將其平均化處理，并且以額定功率850 kW為基值進行歸一化處理，如式(19)：

(19)

樣本個數(shù)

選用歸一化的兩種指標：絕對平均誤差指標ENMAE、均方根誤差指標ENRMSE和最大的相對誤差指標EMAE用來對預(yù)測結(jié)果進行誤差分析，這3種指標具體表達式如下:

(20)

(21)

(22)

圖4 超短期風電功率的EEMD處理結(jié)果

5.2 超短期風電功率EEMD-IGSA-LSSVM模型的樣本選擇及處理

針對EEMD處理所得到的9項風電功率子序列進行相空間重構(gòu)，9項風電功率IMF序列的關(guān)聯(lián)積分法參數(shù)，如表1所示．得到的EEMD-IGSA-LSSVM組合模型預(yù)測值，如圖5所示．表2為通過IGSA算法優(yōu)化8種核函數(shù)的LSSVM模型所得到的最優(yōu)參數(shù)組合結(jié)果.表3為8種不同種類的核函數(shù)構(gòu)建的LSSVM風功率預(yù)測模型的性能差異.從表 3可以看出：選擇的8種核函數(shù)獲得的預(yù)測效果是相差甚遠的.由表3分析可以得到，指數(shù)徑向基函數(shù)(ERBF核函數(shù))的LSSVM風功率模型預(yù)測性能指標ENMAE為2.787 1%和ENRMSE為3.601 2% ，相對于其余7種核函數(shù)指標性能較小，且優(yōu)于其它核函數(shù)構(gòu)建的LSSVM預(yù)測模型，可提高LSSVM預(yù)測精度.因此本文采用ERBF核函數(shù)作EEMD-IGSA-LSSVM的風電預(yù)測模型的基本核函數(shù).

為檢驗使用表2的基于指數(shù)徑向基函數(shù)(ERBF核函數(shù))最優(yōu)參數(shù)組合構(gòu)建EEMD-AGSA-LSSVM模型的預(yù)測性能.本文同時與目前5種已經(jīng)在風電預(yù)測中應(yīng)用的模型(LSSVM,GSA-LSSVM,EEMD-LSSVM、采用文獻[9]方法的組合模型EEMD-PSO-LSSVM以及EEMD-WNN)進行對比分析.

表1 各IMF序列的關(guān)聯(lián)積分法參數(shù)

預(yù)測值個數(shù)

為更加方便地計算預(yù)測結(jié)果的數(shù)據(jù)，對全部的預(yù)測結(jié)果的臟數(shù)據(jù)進行了約束.約束方法：將預(yù)測的負功率按等于0處理，將預(yù)測相對值高于1的(即額定功率850 kW)，則按等于1處理.處理后預(yù)測結(jié)果和預(yù)測誤差，分別如圖6和圖7所示；6種模型的風電功率預(yù)測指標如表4所示.

表3 8種核函數(shù)的風功率預(yù)測模型的預(yù)測誤差比較

從圖6、圖7和表4觀察對比發(fā)現(xiàn)，6種模型在預(yù)測風功率方面都表現(xiàn)出較好地效果，同時6種模型預(yù)測性能也有很大差異.

1)可以看出，提出的EEMD-IGSA-LSSVM組合模型是能夠?qū)υ嫉娘L電功率曲線進行有用的追蹤、擬合，證明了模型是正確的.

2)可以看出，EEMD-IGSA-LSSVM方法與單一的LSSVM法相比預(yù)測精度有了一定的提高，這證明EEMD分解可以降低風功率時間序列的非平穩(wěn)性特征，提高了風功率預(yù)測的準確性，解決了預(yù)測效果不佳的問題.

3)與GSA-LSSVM，EEMD-PSO-LSSVM的對比，表明了IGSA算法選擇出來的最優(yōu)LSSVM參數(shù)，提升了預(yù)測精度的比例，同時也說明了該算法對風功率預(yù)測是有效的、可行的.

4)EEMD-IGSA-LSSVM模型誤差指標明顯低于其余的5種模型，避免了選取核函數(shù)的盲目性和隨意性，從而實現(xiàn)了對非線性系統(tǒng)的精確建模和高精度預(yù)測.

綜上，從預(yù)測精度方面，可以看出本文提出的基于EEMD-IGSA-LSSVM模型具有極高的預(yù)測精度和較好的預(yù)測性能，極具工程開發(fā)意義.

預(yù)測點個數(shù)

預(yù)測點個數(shù)

預(yù)測模型eNMAE/%eNRMSE/%eMAE/%LSSVM9.60011.04218.686GSA-LSSVM6.4557.43713.677EEMD-LSSVM5.7806.69811.589EEMD-PSO-LSSVM3.2054.1589.246EEMD-WNN3.3054.3328.789EEMD-IGSA-LSSVM2.0412.2027.081

6 結(jié) 論

1)EEMD法可以明顯提高分解結(jié)果的規(guī)律性和平穩(wěn)性，為進一步預(yù)測提供基礎(chǔ).

2)對比文中所選的8種核函數(shù)所建的IGSA-LSSVM模型，可以得出基于指數(shù)徑向基函數(shù)(ERBF核函數(shù))的LSSVM風功率模型預(yù)測性能指標相對較小，預(yù)測精確性也相對于其他7種核函數(shù)建立模型要好，亦能為LSSVM模型選擇核函數(shù)方向提供一種新的借鑒.

3)選擇指數(shù)徑向基函數(shù)(ERBF核函數(shù))作為核函數(shù)，根據(jù)改進搜索算法優(yōu)化參數(shù)的思路進行LSSVM模型的預(yù)測，從結(jié)果上與單一模型相比分析得知，這種新型建模方式一定程度上削減了風電功率預(yù)測的精度，取到了更好地風電功率預(yù)測效果.

4)與另外的5種模型進行對比研究，可以清楚地發(fā)現(xiàn)EEMD-IGSA-LSSVM模型可以提高風電功率的預(yù)測精度，能夠明顯地改善預(yù)測效果.因為預(yù)測模型需要采用IGSA算法來優(yōu)化LSSVM的參數(shù)，所以在實現(xiàn)過程中，存在時間的花費相比于單一預(yù)測的時間長，硬件實現(xiàn)有一定難度的缺點，這也是今后需要研究改進的方向.

[1] BLONBOUl R, MONJOLY S, DORVILLE J F. An adaptive short-term prediction scheme for wind energy storage management[J]． Energy Convers Manage, 2011;52:2412-2418．

[2] 馮雙磊,王偉勝,劉純,等.風電場功率預(yù)測物理方法研究[J].中國電機工程學報,2010,30(2):1-6.

FENG Shuang-lei,WANG Wei-sheng,LIU Chun,etal.[J].Proceedings of the Csee,2010,30(2):1-6．(In Chinese)

[3] PEIYUAN C,PEDERSEN T,BAK J B,etal.ARIMA-based time series model of stochastic wind power generation[J].IEEE Transactions on Power Systems,2010,25(2):667-676.

[4] 蔡凱,譚倫農(nóng),李春林,等.時間序列與神經(jīng)網(wǎng)絡(luò)法相結(jié)合的短期風速預(yù)測[J].電網(wǎng)技術(shù),2008,32(8):82-90.

CSAI Kai,TAN Lun-nong,LI Chun-lin,etal.Short-time wind forecasting combing time series and neural network method[J].Power System Technology,2008,32(8):82-90．(In Chinese)

[5] LOUKA P, GALANIS G, SIEBERT N,etal.Improvements in wind speed forecasts for wind power predictionpurposes using Kalman filtering[J].Journal of Wind Engineering and Industrial Aerodynamics,2008,96(12): 2348-2362．

[6] SANCHO S，EMILIO G，ANGEL M，etal．Short term wind speed prediction based on evolutionary support vector regression algorithms[J]．Expert Systems with Applications，2011，38(4)：4052-4057．

[7] 杜穎,盧繼平,李青,等. 基于最小二乘支持向量機的風電場短期風速預(yù)測[J]. 電網(wǎng)技術(shù),2008,32(15):62-66.

DU Ying,LU Ji-ping,LI Qing,etal.Short-term wind speed forecasting of wind farm based on least square-support vector machine [J]. Power Grid Technology, 2008,32(15):62-66．(In Chinese)

[8] 曾杰,張華. 基于最小二乘支持向量機的風速預(yù)測模型[J]. 電網(wǎng)技術(shù),2009,18:144-147.

CENG Jie, ZHANG Hua. Wind speed forecast based on least squares support vector machine (SVM) model [J]. Power System Technology, 2009, 19:144-147．(In Chinese)

[9] 王賀,胡志堅,張翌暉,等. 基于聚類經(jīng)驗?zāi)B(tài)分解和最小二乘支持向量機的短期風速組合預(yù)測[J].電工技術(shù)學報,2014(4):237-245.

WANG He,HU Zhi-jian,ZHANG Li-hui,etal.Based on clustering empirical mode decomposition and least squares support vector machine (SVM) of short-term wind speed forecasting models [J]. Journal of Electrotechnics, 2014(4):237-245．(In Chinese)

[10]尚萬峰,趙升噸,申亞京.遺傳優(yōu)化的最小二乘支持向量機在開關(guān)磁阻電機建模中的應(yīng)用[J].中國電機工程學報,2009,12:65-69.

SHANG Wan-feng, ZHAO Sheng-dun, SHENYa-jing.Application of LSSVM optimized by genetic algorithm to modeling of switched reluctance motor [J]. Proceedings of the Csee, 2009, 12:65-69．(In Chinese)

[11]姜慧研,宗茂,劉相瑩.基于ACO-SVM的軟件缺陷預(yù)測模型的研究[J].計算機學報, 2011, 34(6):1148-1154.

JIANG Hui-yan,ZONG Mao,LIU Xiang-ying. Research of software defect prediction model based on ACO-SVM[J].Chinese Journal of Computers ,2011,34(6):1148-1154．(In Chinese)

[12]高昆侖,劉建明,徐茹枝,等.基于支持向量機和粒子群算法的信息網(wǎng)絡(luò)安全態(tài)勢復(fù)合預(yù)測模型[J].電網(wǎng)技術(shù),2011,35(4):176-182.

GAO Kun-lun,LIU Jian-ming,XU Ru-zhi,etal.A hybrid security situation prediction model for information network based on support vector machine and particle swarm optimization[J].Power System Technology,2011,35(4):176-182．(In Chinese)

[13]RASHEDI E,NEZAMABADI-POUR H,SARYAZDI S.GSA:A gravitational search algorithm[J]. InformationScience, 2009, 179(13): 2232-2248.

[14]ZHANG W,NIU P,LI G,etal. Forecasting of turbine heat rate with online least squares support vector machine based on gravitational search algorithm[J]. Knowledge-Based Systems, 2013, 39(2):34-44.

[15]桑丙玉,王德順,楊波,等.平滑新能源輸出波動的儲能優(yōu)化配置方法[J]．中國電機工程學報,2014,34(22):3700-3706.

SANG Bing-yu,WANG De-shun,YANG Bo,etal.Optimal allocation of energy storage system for smoothing the output fluctuations of new energy[J].Proceedings of the CSEE,2014,34(22):3700-3706.(In Chinese)

[16]MONFARED M, RASTEGAR H, KOJABADI H M. A new strategy for wind speed forecasting using artificial intelligent methods[J]. Renewable Energy, 2009,34(5): 845-848.

[17]HUANG N E, SHEN Z, LONG S R. The empirical mode decomposition and the Hilbert spectrum for nonlinear and-non-stationary time series analysis [J].Proceedings of the Royal Society Soc Land, 1998,454(1971): 903-995.

[18]WU Z,HUANG N E.Ensemble empirical mode decomposition: a noise-assisted data analysis method[J].Advances in Adaptive Data Analysis, 2009,1(1): 1-41.

[19]王麗婕,廖曉鐘,高爽,等.并網(wǎng)型大型風電場風力發(fā)電功率-時間序列的混沌屬性分析[J].北京理工大學學報,2007,27(12):1077-1080.

WANG Li-jie,LIAO Xiao-zhong,GAO Shuang,etal.Wind power grid type large wind farms-time series of chaotic properties analysis [J].Journal of Beijing Institute of Technology,2007,27(12):1077-1080.(In Chinese)

[20]張雪清,梁軍.風電功率時間序列混沌特性分析及預(yù)測模型研究[J].物理學報,2012,61(19):190507.

ZHANG Xue-qing,LIANG Jun.Chaotic characteristics analysis and prediction model study on wind power time series[J].Acta Physica Sinica,2012,61(19):190507．(In Chinese)

[21]陸振波,蔡志明,姜可宇.基于改進的C-C方法的相空間重構(gòu)參數(shù)選擇[J].系統(tǒng)仿真學報,2007,19(11):2527-2538.

LU Zhen-bo,CAI Zhi-ming,JIANG Ke-yu.Determination of embedding parameters for phase space reconstruction based on improved C-C method[J].Journal of System Simulation,2007,19(11):2527-2538．(In Chinese)

[22]GUO X,YANG J,WU C,etal. A novel LS-SVMs hyper-parameter selection based on particle swarm optimization[J]. Neurocomputing,2008，71(16/18):3211-3215.

[23]ZHANG X, LIU X, WANG Z J. Evaluation of a set of new ORF kernel functions of SVM for speech recognition[J]. Engineering Applications of Artificial Intelligence, 2013, 26(10):2574-2580.

[24]戴娟.引力搜索算法的改進及其應(yīng)用研究[D].蘇州：江南大學控制理論與控制工程學院,2014.

DAI Juan.The improved and applied research of gravitational search algorithm[D].Suzhou:Control Theory and Coutrol Engineering Southern Yangtze University, 2014.(In Chinese)

Super-short-Time Wind Power Forecasting Based on EEMD-IGSA-LSSVM

JIANG Yue-chun, YANG Xu-qiong?, HE Fei，CHEN Li-feng, HE Zhong-nan

(College of Electrical and Information Engineering, Hunan Univ,Changsha,Hunan 410082,China)

In order to improve the prediction accuracy of the output power of the wind farm under the premise of ensuring safe operation, a combination of wind power forecasting model based on Ensemble Empirical Mode of Decomposition (EEMD), Improved Gravitational Search Algorithm (IGSA) and Least Squares Support Vector Machine (LSSVM) was established. Firstly, the wind power time series was decomposed into a series of subsequences with significant differences in complexity by using EEMD algorithm. Secondly, the decomposed subsequence was reconstructed by the phase space reconstruction (PSR), and then, an IGSA-LSSVM prediction model of each sub-sequence reconstructed was established respectively. In order to analyze the differences of LSSVM which sets up different kernel functions, eight kinds of kernel function LSSVM prediction models were established, and the IGSA algorithm was adopted to solve those models. Finally, taking a wind farm in Inner Mongolia of China as an example, the simulation and calculation results illustrate that LSSVM prediction model based on the exponential radial basis kernel function and penalty factor obtained by using the IGSA algorithm has higher prediction accuracy. Compared with five conventional combined models such as EMD-WNN and EMD-PSO-LSSVM, the combined model EEMD-IGSA-LSSVM of exponential radial basis kernel function mentioned above can forecast wind power in an effective and accurate way.

ensemble empirical mode decomposition (EEMD);wind power prediction；least squares support vector machine (LSSVM); improved gravitational search algorithm(IGSA); exponential radial basis function(ERBF)

1674-2974(2016)10-0070-09

2016-03-22

國家自然科學基金資助項目(51277057)，National Natural Science Foundation of China(51277057)

江岳春(1965-)，男，湖南長沙人，湖南大學副教授，博士

?通訊聯(lián)系人，E-mail:yang8238579@163.com

TU375

A