基于經(jīng)驗(yàn)?zāi)Ｊ椒纸獾纳窠?jīng)網(wǎng)絡(luò)組合風(fēng)速預(yù)測研究

勾海芝， 趙 征， 夏子涵

(華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，河北 保定 071003)

基于經(jīng)驗(yàn)?zāi)Ｊ椒纸獾纳窠?jīng)網(wǎng)絡(luò)組合風(fēng)速預(yù)測研究

勾海芝， 趙 征， 夏子涵

(華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，河北 保定 071003)

為了提高風(fēng)電并入電網(wǎng)的安全性，需要對(duì)風(fēng)功率進(jìn)行提前預(yù)測。風(fēng)速預(yù)測是風(fēng)功率預(yù)測的關(guān)鍵，而風(fēng)速的不穩(wěn)定性是預(yù)測的難點(diǎn)。為了降低風(fēng)速的不穩(wěn)定性，提高預(yù)測精度，提出經(jīng)驗(yàn)?zāi)Ｊ椒纸夥▽L(fēng)速分解并重組成2組不同的序列，對(duì)高頻分量采用神經(jīng)網(wǎng)絡(luò)組合預(yù)測，剩余分量采取BP神經(jīng)網(wǎng)絡(luò)預(yù)測，并對(duì)兩分量預(yù)測結(jié)果等權(quán)相加得預(yù)測結(jié)果。針對(duì)不同的樣本進(jìn)行建模預(yù)測，驗(yàn)證了該方法的適用性。并比較了GRNN、BP、LS-SVM 3種方法不同組合方式的預(yù)測精度，證明了在該組合方法中3種方法優(yōu)勢互補(bǔ)。

風(fēng)速； 經(jīng)驗(yàn)?zāi)Ｊ椒纸猓?GRNN； BP； LS-SVM； 組合預(yù)測

0 引言

近幾年，環(huán)境污染、能源危機(jī)以及全球變暖等諸多問題日益嚴(yán)峻，新能源的開發(fā)利用迫在眉睫。我國將大力發(fā)展風(fēng)電作為新能源戰(zhàn)略的重點(diǎn)。風(fēng)能的不穩(wěn)定性和隨機(jī)性會(huì)對(duì)電網(wǎng)的安全產(chǎn)生不利的影響。對(duì)風(fēng)能進(jìn)行有效地預(yù)測是減小風(fēng)能對(duì)電網(wǎng)的沖擊，提高風(fēng)電在電力市場所占份額的有效途徑。風(fēng)速預(yù)測是風(fēng)能預(yù)測的前提和基礎(chǔ)，高精度的風(fēng)速預(yù)測為風(fēng)能預(yù)測提供了保障。

風(fēng)速預(yù)測方法可以分為物理方法、統(tǒng)計(jì)方法。物理方法實(shí)質(zhì)是利用氣壓氣溫等關(guān)鍵氣象數(shù)據(jù)以及地表因素建立模型，獲取某一點(diǎn)的風(fēng)速預(yù)測值。統(tǒng)計(jì)方法是通過歷史風(fēng)速和風(fēng)電場風(fēng)速來建立模型，描述輸入輸出之間的映射關(guān)系，預(yù)測風(fēng)速值。常用的統(tǒng)計(jì)方法包括神經(jīng)網(wǎng)絡(luò)法[1]、灰色預(yù)測法[2]、支持向量機(jī)法[3]等。在實(shí)際中常采用物理方法與統(tǒng)計(jì)方法相結(jié)合來達(dá)到較高精度的預(yù)測。文獻(xiàn)[1]針對(duì)印度西部地區(qū)的多山區(qū)域，結(jié)合溫度、氣壓、太陽輻射、海拔高度等因素建立神經(jīng)網(wǎng)絡(luò)模型預(yù)測每日的平均風(fēng)速，預(yù)測結(jié)果的平均絕對(duì)百分比誤差達(dá)到4.55%。文獻(xiàn)[4]結(jié)合風(fēng)機(jī)地理位置的相關(guān)性，引入了基于相關(guān)系數(shù)的回歸分析方法，提高了風(fēng)速的預(yù)測精度。在國內(nèi)，大多數(shù)的研究集中在對(duì)統(tǒng)計(jì)方法的改進(jìn)、優(yōu)化、組合。文獻(xiàn)[5]研究組合預(yù)測，發(fā)現(xiàn)組合預(yù)測精度高于任何一種單一預(yù)測精度，但是這種高精度的預(yù)測受單一模型預(yù)測誤差之間關(guān)系的影響。文獻(xiàn)[6]采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，提高了風(fēng)速預(yù)測精度，改善了網(wǎng)絡(luò)性能。除了優(yōu)化算法本身，針對(duì)風(fēng)速本身的特性，結(jié)合了一些先進(jìn)算法從而提高預(yù)測精度。文獻(xiàn)[7-8]針對(duì)風(fēng)速序列的不平穩(wěn)性，分別采用小波分解、經(jīng)驗(yàn)?zāi)Ｊ椒纸夥▽L(fēng)速序列分解為一系列簡單的序列，并對(duì)這些序列一一預(yù)測，降低了序列不穩(wěn)定性對(duì)預(yù)測精度的影響。

風(fēng)速的不穩(wěn)定性使預(yù)測的難度增加。針對(duì)此本文提出采用經(jīng)驗(yàn)?zāi)Ｊ椒纸夥▽L(fēng)速分為若干分量，并按照分量的特點(diǎn)重組成2組時(shí)間序列。針對(duì)其中最高頻分量采用神經(jīng)網(wǎng)絡(luò)組合預(yù)測，另一分量采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測，并比較對(duì)高頻分量不同組合方法的精度，從而確定采用GRNN，BP，LS-SVM 3種方法的組合預(yù)測提高了預(yù)測精度。除此之外采用不同風(fēng)速樣本驗(yàn)證該方法的有效性以及適用性。

1 經(jīng)驗(yàn)?zāi)Ｊ椒纸夥?/h2>

1.1經(jīng)驗(yàn)?zāi)Ｊ椒纸?/p>

經(jīng)驗(yàn)?zāi)B(tài)分解(EMD Empirical Mode Decomposition)算法是Hilbert-Huang變換(HHT)的核心算法。EMD算法的目的在于將性能不好的信號(hào)分解為一組性能較好的本征模函數(shù)(Intrinsic Mode Function，IMF)，其結(jié)果是將信號(hào)中不同尺度的波動(dòng)或趨勢逐級(jí)分解開來[9]。相對(duì)于小波分解法該方法更加簡單，不需設(shè)定任意基函數(shù)。本征模函數(shù)需要滿足以下2個(gè)條件：

條件1 信號(hào)的極值點(diǎn)數(shù)目和過零點(diǎn)數(shù)目的差值最多為1[10]；

條件2 由局部極大值和局部極小值構(gòu)成的上包絡(luò)線和下包絡(luò)線的平均值為零。

EMD算法的計(jì)算步驟如下[11]：

(1)分析時(shí)間序列的變化趨勢，找出序列x(t)的局部極大值點(diǎn)和極小值點(diǎn)。

(2)步驟(1)已經(jīng)確定了局部極值點(diǎn)，采用3次樣條函數(shù)把上述所有局部極大值點(diǎn)連接起來形成上包絡(luò)線emax1(t)，而所有極小值點(diǎn)形成下包絡(luò)線emin1(t)。應(yīng)當(dāng)注意的是，所有的數(shù)據(jù)點(diǎn)在上包絡(luò)線和下包絡(luò)線中間。

(3)確定均值包絡(luò)線。將每一組局部極大值點(diǎn)和局部極小值點(diǎn)取平均值，將這些均值連接起來形成均值包絡(luò)線。即均值包絡(luò)線在上下包絡(luò)線的中部。記為m1(t)。

(1)

(4)計(jì)算原始序列x(t)與均值m1(t)的差值，記為

d1(t)=x(t)-m1(t)

(2)

(5)如果d1(t)符合上述IMF的2個(gè)條件，將d1(t)作為第1個(gè)被分解出的IMF分量：若不符合，將d1(t)作為原始待分解的時(shí)間序列。在此基礎(chǔ)上繼續(xù)重復(fù)執(zhí)行步驟(1)～(4)，假設(shè)重復(fù)循環(huán)k次，得到d1k(t)=d1(k-1)(t)-m1k(t)滿足上述IMF的條件。記c1(t)=d1k(t)，則c1(t)為x(t)經(jīng)EMD分解后的第1個(gè)IMF，即IMF1。

(6)將分量c1(t)從原始時(shí)間序列x(t)中分離出來，將剩余分量r1(t)=x(t)-c1(t)當(dāng)作新的原始待分解序列。繼續(xù)重復(fù)執(zhí)行步驟(1)～(5)，得到m個(gè)IMF，如果剩余項(xiàng)r(t)變成一不再發(fā)生變化的常數(shù)或單調(diào)變化的函數(shù)，則EMD分解過程結(jié)束。

經(jīng)上述過程顯示，原始序列x(t)可表示為m個(gè)IMF和最終余項(xiàng)的和。

(3)

式中：ci(t)為第i個(gè)IMF分量，代表了第i個(gè)被分離出來的信號(hào)分量，這些信號(hào)的特征尺度不同；r(t)為反映原始信號(hào)變化趨勢的剩余分量項(xiàng)。

1.2經(jīng)驗(yàn)?zāi)Ｊ椒纸夥▽?duì)數(shù)據(jù)處理

取部分樣本數(shù)據(jù)對(duì)數(shù)據(jù)進(jìn)行EMD分解，分解結(jié)果如圖1所示。圖中，signal對(duì)應(yīng)原始信號(hào)x(t)，IMF1～I(xiàn)MF9分別對(duì)應(yīng)公式(3)中的c1(t)～c9(t)，res對(duì)應(yīng)r(t)。相對(duì)于其他分量，IMF1分量的規(guī)律性要差，反映了風(fēng)速的高頻不穩(wěn)定部分。

圖1 EMD分解圖

將圖1中最高頻分量IMF1叫做分量2，剩余其他分量即IMF2-IMF9，res重組為一個(gè)分量叫做分量1。運(yùn)用BP神經(jīng)網(wǎng)絡(luò)分別對(duì)兩分量建模，神經(jīng)網(wǎng)絡(luò)實(shí)際網(wǎng)絡(luò)輸出與目標(biāo)輸出的回歸曲線如圖2，3所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)對(duì)分量2的回歸曲線

在圖2中，對(duì)于分量2，BP神經(jīng)網(wǎng)絡(luò)的擬合效果很差，網(wǎng)絡(luò)輸出與目標(biāo)輸出的相關(guān)系數(shù)小于0.4，回歸曲線斜率0.13，說明了僅使用BP神經(jīng)網(wǎng)絡(luò)法對(duì)分量2不能得到很好的預(yù)測效果；在圖3中，分量1的神經(jīng)網(wǎng)絡(luò)輸出與目標(biāo)輸出相關(guān)系數(shù)大于0.96，回歸曲線的斜率是0.98，表明分量1僅使用BP神經(jīng)網(wǎng)絡(luò)有較好擬合效果。這一擬合結(jié)果在一定程度上說明了，最高頻分量的預(yù)測是風(fēng)速預(yù)測準(zhǔn)確性的關(guān)鍵環(huán)節(jié)，最高頻分量的預(yù)測效果如果能夠改善，預(yù)測精度就能夠有所提高。

2 基于經(jīng)驗(yàn)?zāi)Ｊ椒纸獾纳窠?jīng)網(wǎng)絡(luò)組合預(yù)測模型

2.1BP網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)應(yīng)用梯度下降法通過信號(hào)正向傳播和誤差反向傳播不斷地修正網(wǎng)絡(luò)權(quán)值和閾值從而使網(wǎng)絡(luò)的輸出值與期望值均方差最小，即輸出值無限的接近期望值[6]。

2.2GRNN網(wǎng)絡(luò)

廣義回歸神經(jīng)網(wǎng)絡(luò)[8](GRNN)是一種徑向基神經(jīng)網(wǎng)絡(luò)，對(duì)于非線性系統(tǒng)的映射能力很強(qiáng)，學(xué)習(xí)速度較快，相對(duì)于傳統(tǒng)的RBF具有很明顯的優(yōu)勢。當(dāng)數(shù)據(jù)較少時(shí)，預(yù)測效果相對(duì)較好。除此之外，在不平穩(wěn)數(shù)據(jù)的處理上，GRNN網(wǎng)絡(luò)也表現(xiàn)出了較大優(yōu)勢。

2.3最小二乘支持向量機(jī)

支持向量機(jī)需要的數(shù)據(jù)少，訓(xùn)練速度快，對(duì)于解決非線性問題有很大的優(yōu)勢，其中的最小二乘支持向量機(jī)[3]將傳統(tǒng)支持向量機(jī)的不等式約束條件轉(zhuǎn)變?yōu)榈仁郊s束條件，這樣二次規(guī)劃問題的求解就被轉(zhuǎn)化為線性方程組的求解問題。在這個(gè)過程中，計(jì)算過程被簡化，加快了計(jì)算速度，同時(shí)預(yù)測精度也得到了一定提高。其目標(biāo)函數(shù)為

(4)

約束條件為

yi=ωT.φ(xi)+b+ξi,i=1,…,m

(5)

式中：c是懲罰參數(shù)；ξi為誤差向量；ω表示權(quán)重向量；b表示偏差；φ(xi)表示原始變量數(shù)據(jù)映射之后的值。根據(jù)公式(4)和(5)建立的拉格朗日函數(shù)公式為：

(6)

利用最小二乘法，得回歸預(yù)測函數(shù)為

(7)

式中：αi為拉格朗日算子；K(x,xi)=〈φ(x),φ(xi)〉為核函數(shù)。

2.4基于經(jīng)驗(yàn)?zāi)Ｊ椒纸獾纳窠?jīng)網(wǎng)絡(luò)組合預(yù)測

基于經(jīng)驗(yàn)?zāi)Ｊ椒纸獾纳窠?jīng)網(wǎng)絡(luò)組合算法的流程圖如圖4所示。

圖4 算法流程圖

基于經(jīng)驗(yàn)?zāi)Ｊ椒纸獾纳窠?jīng)網(wǎng)絡(luò)組合算法將風(fēng)速樣本數(shù)據(jù)經(jīng)過經(jīng)驗(yàn)?zāi)Ｊ椒纸獾玫絤個(gè)IMF分量和一個(gè)剩余分量res。由于IMF1分量隨機(jī)性要強(qiáng)，規(guī)律性差，所以將其他分量IMF1分量與其他分量分割開來，其他分量的和被稱為分量1，IMF1分量被稱為分量2。對(duì)分量1建立BP網(wǎng)絡(luò)模型進(jìn)行預(yù)測，得出預(yù)測結(jié)果y1。對(duì)分量2分別采用GRNN、BP、LS-SVM、預(yù)測得出預(yù)測結(jié)果y21、y22、y23，并將三預(yù)測結(jié)果建立GRNN模型進(jìn)行組合預(yù)測，得出分量2的最后預(yù)測值y2。y1、y2等權(quán)相加得出最后風(fēng)速預(yù)測值y。

3 實(shí)例

3.1數(shù)據(jù)描述

分別采用兩電廠8～9月份每小時(shí)平均風(fēng)速數(shù)據(jù)作為樣本數(shù)據(jù)，如圖5所示。其中樣本1平均風(fēng)速為2.28 m/s，風(fēng)速平均變化量為1.11 m/s，風(fēng)速變化范圍為0～12 m/s，樣本2平均風(fēng)速為6.24 m/s，風(fēng)速平均變化量為0.73 m/s,風(fēng)速變化范圍為1.5～16 m/s。從數(shù)據(jù)分析可以看出樣本1平均風(fēng)速低，但是風(fēng)速更加不平穩(wěn)；樣本2平均風(fēng)速高，風(fēng)速變化平穩(wěn)。

圖5 樣本風(fēng)速數(shù)據(jù)

針對(duì)2個(gè)不同樣本，根據(jù)2.4節(jié)所述采用經(jīng)驗(yàn)?zāi)Ｊ椒纸夥▽?duì)數(shù)據(jù)進(jìn)行分解，并重組為分量1和分量2，對(duì)分量1采用BP網(wǎng)絡(luò)預(yù)測，對(duì)分量2分別采用BP，GRNN，LS-SVM進(jìn)行預(yù)測，并將預(yù)測結(jié)果采用GRNN網(wǎng)絡(luò)組合預(yù)測。除此之外，將上述3種方法分別兩兩組合預(yù)測分量2，比較最終風(fēng)速預(yù)測結(jié)果。

3.2結(jié)果及分析

兩風(fēng)速樣本基于EMD的神經(jīng)網(wǎng)絡(luò)組合風(fēng)速預(yù)測效果和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測結(jié)果圖如圖6、7所示。在圖中，無論對(duì)于風(fēng)速樣本1還是樣本2，本文提出的方法預(yù)測結(jié)果均能較好的跟蹤風(fēng)速變化。在圖6中，對(duì)于數(shù)據(jù)樣本1，風(fēng)速變化范圍大，變化快，在風(fēng)速較低的第1～11點(diǎn)，取得了很好地預(yù)測效果，在19～20點(diǎn)，雖然風(fēng)速變化快，預(yù)測風(fēng)速與實(shí)際風(fēng)速差別較小，其他的風(fēng)速點(diǎn)預(yù)測效果欠佳；在圖7中，對(duì)于數(shù)據(jù)樣本2，風(fēng)速變化范圍小，風(fēng)速預(yù)測效果幾乎與風(fēng)速變化同步，改善了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測的滯后性，在變化突兀的時(shí)間點(diǎn)1～10，出現(xiàn)了相對(duì)較大的偏差。

圖6 樣本1風(fēng)速預(yù)測結(jié)果

圖7 樣本2風(fēng)速預(yù)測結(jié)果

在預(yù)測結(jié)果誤差圖8和圖9中，采用GRNN，BP，LS-SVM 3種方法對(duì)分量2組合預(yù)測與采用任意兩種方法的組合預(yù)測相比，預(yù)測優(yōu)勢不是很明顯，但是在變化較大的點(diǎn)，預(yù)測精度得到了改善，預(yù)測誤差得到降低。因此證明了在此類預(yù)測方法中，3種方法對(duì)于提高風(fēng)速的預(yù)測精度均發(fā)揮了一定的作用。并且對(duì)于樣本1，3種方法組合優(yōu)勢明顯。

圖8 樣本1預(yù)測絕對(duì)誤差

圖9 樣本2預(yù)測絕對(duì)誤差

為了比較各種預(yù)測方法的精度采用平均絕對(duì)百分比誤差和均方根誤差作為評(píng)價(jià)標(biāo)準(zhǔn)[8]。平均相對(duì)誤差絕對(duì)值為

(8)

均方根誤差為

(9)

由表1數(shù)據(jù)可以看出，采用經(jīng)驗(yàn)?zāi)Ｊ椒纸夥ǖ念A(yù)測精度均高于原BP神經(jīng)網(wǎng)絡(luò)。對(duì)于樣本1和樣本2，預(yù)測精度均得到較大程度地提高，說明本文提出方法對(duì)于穩(wěn)定性不同的的序列均能改善其預(yù)測精度。對(duì)于數(shù)據(jù)樣本1，風(fēng)速平均變化量較大，不穩(wěn)定性強(qiáng)，仍取得了較好的預(yù)測效果，表明文中預(yù)測方法對(duì)于降低序列的不平穩(wěn)性有很強(qiáng)的優(yōu)勢。從表中數(shù)據(jù)仍能明顯的看出，對(duì)變量2采用3種方法組合預(yù)測效果要優(yōu)于任何一種方法單獨(dú)預(yù)測，以及任一兩種方法組合預(yù)測，表明了3種方法結(jié)合了每一種方法的優(yōu)勢，達(dá)到了提升預(yù)測精度的目的。

表1 不同方法預(yù)測結(jié)果表

注：①②③分別為GRNN，BP，LS-SVM方法。

4 結(jié)論

風(fēng)速不穩(wěn)定性會(huì)降低風(fēng)速預(yù)測的精度。經(jīng)驗(yàn)?zāi)Ｊ椒纸夥▽?duì)于處理不平穩(wěn)序列有很強(qiáng)的優(yōu)勢。本文應(yīng)用經(jīng)驗(yàn)?zāi)Ｊ椒纸夥ㄌ幚盹L(fēng)速時(shí)間序列，根據(jù)分解序列的特點(diǎn)將序列分解成分量1和分量2，對(duì)分量1采用BP網(wǎng)絡(luò)預(yù)測，對(duì)分量2采用BP、GRNN、LS-SVM 3種方法組合預(yù)測。預(yù)測結(jié)果顯示，此類組合方式有效的結(jié)合每一種預(yù)測方法的優(yōu)點(diǎn)，改善了原有神經(jīng)網(wǎng)絡(luò)預(yù)測的滯后性，降低了風(fēng)速不平穩(wěn)性對(duì)風(fēng)速預(yù)測效果的影響,提高了預(yù)測精度。

[1] RAMASAMY P， CHANDEL S S，YADAV A K．Wind speed prediction in the mountainous region of India using an artificial neural network model[J]．Renewable Energy，2015，80(8):338-347.

[2] 李穎男，趙征.基于灰色理論的風(fēng)電功率預(yù)測研究[J].電力科學(xué)與工程，2016，32(8):32-36.

[3] 周臘吾，陳靜，戴浪.基于最小二乘支持向量機(jī)的風(fēng)速組合預(yù)測模型[J].科技導(dǎo)報(bào)，2011，29(7):66-68.

[4] 王印松，蘇子卿.一種基于相鄰風(fēng)機(jī)測量數(shù)據(jù)相關(guān)性分析的風(fēng)速預(yù)測方法[J].華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015，42(2):91-96.

[5] 彭懷午，劉方銳，楊曉峰.基于組合預(yù)測方法的風(fēng)電場短期風(fēng)速預(yù)測[J].太陽能學(xué)報(bào)，2011，32(4)：543-547.

[6] 王德明，王莉，張廣明.基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測模型[J].浙江大學(xué)學(xué)報(bào)(工學(xué)版)，2012，46(5):837-841，904.

[7] 高陽，鐘宏宇，陳鑫宇，等.基于神經(jīng)網(wǎng)絡(luò)和小波分析的超短期風(fēng)速預(yù)測[J].可再生能源，2016，34(5):705-711.

[8] 王韶，楊江平，李逢兵，等.基于經(jīng)驗(yàn)?zāi)Ｊ椒纸夂蜕窠?jīng)網(wǎng)絡(luò)的短期風(fēng)速組合預(yù)測[J].電力系統(tǒng)保護(hù)與控制，2012，40(10):6-11，18.

[9] SHENGWEI F.A hybrid model of EMD and multiple-kernel RVR algorithm for wind speed prediction[J].International Journal of Electrical Power & Energy Systems，2016，78(6):910-915.

[10] WANG S X， ZHANG N， WU L， et al.Wind speed forecasting based on the hybrid ensemble empirical mode decomposition and GA-BP neural network method[J].Renewable Energy，2016，94(8):629-636.

[11] 劉輝，張雷，田紅旗，等.基于經(jīng)驗(yàn)?zāi)Ｊ椒纸夂妥赃m應(yīng)神經(jīng)模糊推理的風(fēng)速短期智能預(yù)測混合方法[J].中南大學(xué)學(xué)報(bào)(自然科學(xué)版)，2016，47(2):676-682.

Research on Neural Network Combined Wind Speed Prediction Based on Empirical Mode Decomposition

GOU Haizhi， ZHAO Zheng， XIA Zihan

(School of Control and Computer Engineering, North China Electric Power University, Baoding 071003，China)

In order to improve the safety of the wind power integrating into the power grid, it is necessary to predict the wind power ahead of time. The wind speed prediction is the key to wind power prediction, and the instability of wind speed becomes the conundrum for the prediction. In order to reduce the instability of wind speed and improve prediction accuracy, an empirical mode decomposition method is proposed to decompose the wind speed into two groups of different sequences, and the high frequency components are predicted by neural network combination while the residual components are predicted by BP neural network. The prediction results are obtained by adding the two components calculated by the above two networks respectively. The applicability of the method is verified by modelling different samples. And three different methods, GRNN, BP, and LS-SVM, are combined in different ways to conduct the prediction, and the accuracies are compared. The results show that they have their own advantages with different combinations, which confirms that these three methods could complement each other.

wind speed; empirical mode decomposition; GRNN; BP; LS-SVM; combimation prediction

10.3969/j.ISSN.1672-0792.2017.10.011

TM614

A

1672-0792(2017)10-0062-06

2017-06-29。

新能源電力系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室開放課題(LAPS16008)。

勾海芝(1991-)，女，碩士研究生，研究方向?yàn)轱L(fēng)速預(yù)測及風(fēng)功率預(yù)測研究。