基于誤差修正的極端學(xué)習(xí)機(jī)超短期風(fēng)速預(yù)測(cè)

潘羿龍， 丁云飛

(上海電機(jī)學(xué)院 電氣學(xué)院， 上海 201306)

基于誤差修正的極端學(xué)習(xí)機(jī)超短期風(fēng)速預(yù)測(cè)

潘羿龍， 丁云飛

(上海電機(jī)學(xué)院 電氣學(xué)院， 上海 201306)

超短期風(fēng)速預(yù)測(cè)對(duì)風(fēng)電場(chǎng)功率預(yù)報(bào)系統(tǒng)的建立和運(yùn)行至關(guān)重要。針對(duì)具有較大隨機(jī)波動(dòng)性的風(fēng)速預(yù)測(cè)，研究了一種基于誤差修正的極端學(xué)習(xí)機(jī)(ELM)超短期風(fēng)速預(yù)測(cè)方法。利用ELM模型對(duì)風(fēng)速進(jìn)行初步預(yù)測(cè)，并利用由此得到的誤差數(shù)據(jù)樣本建立差分自回歸滑動(dòng)平均模型(ARIMA)，進(jìn)行誤差預(yù)測(cè)，最后使用預(yù)測(cè)誤差對(duì)風(fēng)速的初步預(yù)測(cè)值進(jìn)行補(bǔ)正，從而求得最終預(yù)測(cè)值。仿真實(shí)驗(yàn)結(jié)果表明，該方法在風(fēng)速超短期預(yù)測(cè)中的可行性及有效性。

風(fēng)速預(yù)測(cè)； 預(yù)測(cè)誤差補(bǔ)正； 極端學(xué)習(xí)機(jī)； 差分自回歸滑動(dòng)平均模型

隨著風(fēng)電裝機(jī)容量的不斷增加以及大規(guī)模的風(fēng)電并網(wǎng)運(yùn)行，風(fēng)速的間歇性和隨機(jī)性變化勢(shì)必會(huì)對(duì)電力系統(tǒng)的安全運(yùn)行帶來(lái)嚴(yán)峻挑戰(zhàn)[1]。因此，風(fēng)速預(yù)測(cè)作為風(fēng)力發(fā)電的基礎(chǔ)，對(duì)電網(wǎng)的可靠運(yùn)行具有舉足輕重的意義，受到了越來(lái)越多的關(guān)注[2]。

從時(shí)間尺度上講，風(fēng)速的預(yù)測(cè)可分為長(zhǎng)期、中期、短期以及超短期預(yù)測(cè)[3]。其中，長(zhǎng)期預(yù)測(cè)是對(duì)一年或更長(zhǎng)時(shí)間的預(yù)測(cè)，主要用于風(fēng)電場(chǎng)選址與建設(shè)；中期預(yù)測(cè)為一周或數(shù)周內(nèi)的風(fēng)速預(yù)測(cè)，主要用來(lái)擬定風(fēng)電機(jī)組檢修計(jì)劃；短期預(yù)測(cè)為48～72 h內(nèi)的風(fēng)速預(yù)測(cè)，主要用于電力調(diào)度部門的調(diào)度；超短期預(yù)測(cè)為4 h以內(nèi)的風(fēng)速預(yù)測(cè)，主要為風(fēng)電機(jī)組的控制以及為電力實(shí)時(shí)調(diào)度系統(tǒng)提供參考。同時(shí)，超短期風(fēng)速預(yù)測(cè)對(duì)電網(wǎng)并網(wǎng)運(yùn)行也有重要作用，預(yù)測(cè)精度越高，實(shí)時(shí)調(diào)度系統(tǒng)做出的判斷就越準(zhǔn)確，對(duì)備用機(jī)組的選擇也就越準(zhǔn)確[4]。

對(duì)于風(fēng)速的預(yù)測(cè)方法主要有時(shí)間序列法[5]、人工神經(jīng)網(wǎng)絡(luò)法[6]以及組合預(yù)測(cè)法[7]等，在預(yù)測(cè)效果上各有優(yōu)、缺點(diǎn)。為提高風(fēng)速的預(yù)測(cè)精度，各種組合預(yù)測(cè)方法受到了越來(lái)越多的關(guān)注，文獻(xiàn)[8-10]中用時(shí)間序列分別與馬爾科夫鏈、卡爾曼濾波、神經(jīng)網(wǎng)絡(luò)等方法組合進(jìn)行風(fēng)速預(yù)測(cè)。文獻(xiàn)[11]中將最小二乘支持向量機(jī)(Least Squares Support Vector Machines,LS-SVM)與自回歸滑動(dòng)平均模型(Autoregressive Moving Average Model, ARMA)相結(jié)合，對(duì)風(fēng)速進(jìn)行短期預(yù)測(cè)。上述組合方法通過(guò)分?jǐn)倖为?dú)預(yù)測(cè)的誤差風(fēng)險(xiǎn)來(lái)減小大偏差對(duì)最終預(yù)測(cè)值的影響，但是，加權(quán)系數(shù)的強(qiáng)壯性一直是組合方法的瓶頸[12]。目前，更多學(xué)者關(guān)注的是通過(guò)改進(jìn)算法本身來(lái)提高模型的預(yù)測(cè)精度。文獻(xiàn)[13]中將LS-SVM與誤差補(bǔ)正結(jié)合起來(lái)，提高了風(fēng)速的預(yù)測(cè)精度。文獻(xiàn)[14]中通過(guò)引入天氣預(yù)報(bào)數(shù)值，利用BP神經(jīng)網(wǎng)絡(luò)與SVM相結(jié)合的方法對(duì)風(fēng)速進(jìn)行預(yù)測(cè)，獲得了較好的效果。

極端學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)是近期發(fā)展起來(lái)的一種前饋神經(jīng)網(wǎng)絡(luò)方法，輸入權(quán)值在訓(xùn)練過(guò)程中不需要多次調(diào)整，具有計(jì)算速度快、訓(xùn)練過(guò)程簡(jiǎn)單、抗干擾能力強(qiáng)等優(yōu)點(diǎn)[15]，在實(shí)際操作中，有較高預(yù)測(cè)精度[16]。將ELM與時(shí)間序列方法組合起來(lái)可以在較短的時(shí)間內(nèi)獲得風(fēng)速的預(yù)測(cè)值，為實(shí)時(shí)調(diào)度提供更好的幫助。

為了減少風(fēng)速的預(yù)測(cè)誤差，本文用ELM做初步預(yù)測(cè)時(shí)所獲得的誤差作為原始數(shù)據(jù)，導(dǎo)入差分自回歸滑動(dòng)平均模型(Autoregressive Integrated Moving Average Model,ARIMA)，獲得誤差預(yù)測(cè)值；并用該誤差預(yù)測(cè)值對(duì)ELM的初步預(yù)測(cè)結(jié)果進(jìn)行誤差修正，以提高風(fēng)速的預(yù)測(cè)精度。仿真實(shí)驗(yàn)結(jié)果表明，該方法在實(shí)際應(yīng)用中具有一定的優(yōu)勢(shì)。

1 極端學(xué)習(xí)機(jī)(ELM)

ELM是一種前饋單隱層神經(jīng)網(wǎng)絡(luò)，圖1所示為ELM網(wǎng)絡(luò)結(jié)構(gòu)。圖中，J、K、L分別為輸入層、隱含層、輸出層的神經(jīng)元個(gè)數(shù)，其中，j=1,2,…,J；k=1,2,…，K；l=1,2,…，L；ωjk為輸入層第j個(gè)神經(jīng)元與第k個(gè)隱含層神經(jīng)元的權(quán)重；βkl為第k個(gè)隱含層神經(jīng)元與第l個(gè)輸出層的權(quán)重；X=[x1,x2,…,xJ] 為輸入向量;Y=[y1,y2,…,yL]為輸出向量,xJ、yL分別為輸入、輸出值。

圖1 ELM網(wǎng)絡(luò)結(jié)構(gòu)

在確定了隱含層的激活函數(shù)f(x)后，ELM的訓(xùn)練輸出向量為

T=[t1,t2,…,ti,…,tn]L×n,i∈L

其中，n為數(shù)據(jù)維數(shù)；ti為訓(xùn)練輸出，

(1)

式中,ψk=[ωj1,ωj2,…,ωjK]為第j個(gè)輸入神經(jīng)元與隱含層的權(quán)值向量；bk為第k個(gè)隱含層的偏置;f(ψk,bk,xj)為第k個(gè)隱含層神經(jīng)元輸出，f(ψk,bk,xj)=f(ψkxj+bk)，激活函數(shù)可選擇sigmoid或sine函數(shù)。

若ELM能以零誤差逼近學(xué)習(xí)樣本，則可以認(rèn)為存在βk=[β1l,β2l,…,βKl]、ψk、bk，使

(2)

成立。

將式(2)改寫成矩陣形式，

Hβ=Y

(3)

式中，H為隱含層輸出矩陣；β為權(quán)值矩陣；Y為輸出矩陣。這樣上述問題就變成了求輸出權(quán)值的最小二乘解β問題[17]，即

(4)

2 ARIMA

ARIMA又稱為Box-Jenkins模型，是一種基于時(shí)間序列的預(yù)測(cè)模型，適用于短期和超短期預(yù)測(cè)，精度較高[4]。ARIMA模型先對(duì)數(shù)據(jù)進(jìn)行d階差分處理,使其平穩(wěn)化，然后對(duì)平穩(wěn)化序列建模,即得到ARMA,

(5)

在估計(jì)自回歸系數(shù)、滑動(dòng)平均系數(shù)時(shí)，最常用的是最小二乘法，可得到δg、θh；并根據(jù)赤池信息準(zhǔn)則(Akaike Information Criterion，AIC)進(jìn)行定階，得到p、q[18]。

3 基于ARIMA修正的ELM預(yù)測(cè)模型

由于風(fēng)速的隨機(jī)、不穩(wěn)定性，故在利用歷史數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)，會(huì)產(chǎn)生誤差。誤差修正模型可以對(duì)當(dāng)前的預(yù)測(cè)方法進(jìn)行補(bǔ)充，結(jié)合預(yù)測(cè)方法的優(yōu)勢(shì)，可以更好地對(duì)風(fēng)速進(jìn)行預(yù)測(cè)。

3.1 基于誤差修正的超短期風(fēng)速預(yù)測(cè)流程

圖2所示為基于誤差修正的超短期風(fēng)速預(yù)測(cè)流程圖。具體步驟如下：① 先對(duì)風(fēng)速的歷史數(shù)據(jù)做歸一化處理；② 將處理后的數(shù)據(jù)分為訓(xùn)練集D1、測(cè)試集D2和預(yù)測(cè)集D3，并用訓(xùn)練集D1對(duì)ELM訓(xùn)練，用確定好的ELM模型對(duì)測(cè)試集D2、預(yù)測(cè)集D3進(jìn)行預(yù)測(cè)；③ 用預(yù)測(cè)集D1對(duì)ELM做訓(xùn)練，用測(cè)試集D2對(duì)ELM做測(cè)試，將獲得的訓(xùn)練誤差和測(cè)試誤差作為誤差數(shù)據(jù)；④ 判斷序列是否平穩(wěn)，若平穩(wěn)，則使用ARMA模型，若不平穩(wěn)，則使用ARIMA模型；⑤ 將初步預(yù)測(cè)值與誤差預(yù)測(cè)值疊加獲得最終風(fēng)速預(yù)測(cè)值。

圖2 超短期風(fēng)速預(yù)測(cè)流程圖

(1) 對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理。遠(yuǎn)離零區(qū)域的數(shù)據(jù)會(huì)對(duì)學(xué)習(xí)速度造成影響，故在訓(xùn)練前要對(duì)數(shù)據(jù)進(jìn)行歸一化處理。本文將風(fēng)速原始數(shù)據(jù)映射到[0,1]內(nèi)，訓(xùn)練結(jié)束后再反映射回原數(shù)據(jù)空間，即

(6)

(2) ELM參數(shù)選取。當(dāng)用大量的歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)時(shí)，ELM可有效地提高預(yù)測(cè)模型的預(yù)測(cè)精度。與傳統(tǒng)SVM相比，ELM在進(jìn)行模型訓(xùn)練時(shí)還具有較快的運(yùn)算速度。

圖3所示為ELM參數(shù)選擇流程圖。

圖3 ELM參數(shù)選擇流程

在進(jìn)行ELM訓(xùn)練時(shí)，以ELM輸出誤差與真實(shí)值之比作為評(píng)價(jià)標(biāo)準(zhǔn)判斷ELM模型的好壞。ELM訓(xùn)練步驟如下：① 進(jìn)行ELM初始化。本文選取sigmoid函數(shù)為激活函數(shù)，隨機(jī)產(chǎn)生輸入權(quán)值Г、隱含層偏置B，并根據(jù)實(shí)驗(yàn)確定隱含層神經(jīng)元的個(gè)數(shù)，完成ELM網(wǎng)絡(luò)初始化；② 根據(jù)誤差率的大小作為評(píng)價(jià)標(biāo)準(zhǔn)來(lái)評(píng)價(jià)ELM初步預(yù)測(cè)結(jié)果的好壞，多次運(yùn)行程序，選取其中較好的結(jié)果所對(duì)應(yīng)的ELM參數(shù)作為模型參數(shù)；③ 應(yīng)用確定好的ELM模型進(jìn)行風(fēng)速初步預(yù)測(cè)。

(3) 輸入數(shù)據(jù)平穩(wěn)性判別。 單位根檢驗(yàn)由Dickey-Fuller于1979年提出，主要用來(lái)驗(yàn)證時(shí)間序列是否存在單位根，若數(shù)據(jù)小于顯著性水平α，則認(rèn)為不存在單位根，即數(shù)據(jù)平穩(wěn)[19]。本文使用目前使用較多的判斷方法——增廣DF檢驗(yàn)(Augmented Dickey-Fuller，ADF)[19]來(lái)進(jìn)行輸入數(shù)據(jù)的平穩(wěn)性判別。

(4) 誤差擬合預(yù)測(cè)。圖4所示為誤差數(shù)據(jù)預(yù)測(cè)圖。具體過(guò)程如下：① 根據(jù)自相關(guān)、偏相關(guān)圖估計(jì)p、q的大致取值；② 根據(jù)AIC準(zhǔn)則選取最優(yōu)p、q值；③ 建立ARIMA模型進(jìn)行誤差預(yù)測(cè)。

圖4 誤差數(shù)據(jù)預(yù)測(cè)流程

(7)

4 仿真結(jié)果與分析

為驗(yàn)證本文方法的可行性，對(duì)東北某電廠2007-04-07—2007-04-11采集的風(fēng)速數(shù)據(jù)進(jìn)行分析，采集高度為71 m，每10 min記錄一次，共計(jì)720個(gè)數(shù)據(jù)；其中，前576個(gè)數(shù)據(jù)用于數(shù)據(jù)訓(xùn)練，中間132個(gè)數(shù)據(jù)用于測(cè)試，后面12個(gè)數(shù)據(jù)用于最終預(yù)測(cè)。

圖5為720個(gè)風(fēng)速數(shù)據(jù)的折線圖。圖中，n為數(shù)據(jù)個(gè)數(shù)。其中，最大風(fēng)速值vmax=14.02 m/s，最小風(fēng)速值vmin=0.35 m/s，可見，風(fēng)速波動(dòng)較大。

圖5 風(fēng)速歷史數(shù)據(jù)圖

選取前576個(gè)數(shù)據(jù)作為訓(xùn)練集D1，利用ELM模型進(jìn)行數(shù)據(jù)訓(xùn)練；將中間132個(gè)數(shù)據(jù)作為測(cè)試集D2，進(jìn)行風(fēng)速預(yù)測(cè)，圖6所示為預(yù)測(cè)值與實(shí)際值。

圖6 測(cè)試集預(yù)測(cè)值與實(shí)際值

由圖可見，當(dāng)風(fēng)速v出現(xiàn)明顯的起伏波動(dòng)時(shí)，風(fēng)速的預(yù)測(cè)誤差也越大。

為進(jìn)一步提高預(yù)測(cè)精度，本文采用誤差修正方法，利用ADF對(duì)誤差數(shù)據(jù)進(jìn)行平穩(wěn)性檢驗(yàn)。得到如表1所示的1階差分后的單位根檢驗(yàn)結(jié)果。

表1 1階差分后單位根檢驗(yàn)結(jié)果

一般認(rèn)為當(dāng)ADF檢驗(yàn)所得到的t檢驗(yàn)值<5%測(cè)試臨界值的t檢驗(yàn)值時(shí)，數(shù)據(jù)平穩(wěn)。由表可見，經(jīng)ADF檢驗(yàn)的t檢驗(yàn)值<1%測(cè)試臨界值的t檢驗(yàn)值，故認(rèn)為1階差分后的誤差數(shù)據(jù)不存在單位根，此時(shí)序列是平穩(wěn)的。

利用Eviews軟件得到自相關(guān)和偏相關(guān)圖如圖7所示。圖中，虛線內(nèi)區(qū)域?yàn)橹眯艆^(qū)間。Autocorrelation為自相關(guān)圖;Partial Correlation為偏相關(guān)圖;AC為自相關(guān)系數(shù);PAC為偏相關(guān)系數(shù);Q-Stat為Q統(tǒng)計(jì)量，用于檢驗(yàn)白噪聲;Prob為小于顯著性水平的概率。由圖可見，自相關(guān)部分，第7個(gè)數(shù)據(jù)已經(jīng)明顯收束到區(qū)間內(nèi)；而偏相關(guān)部分，第2個(gè)數(shù)據(jù)已經(jīng)明顯收縮在區(qū)間內(nèi)。故依據(jù)定階規(guī)則，p、q的取值應(yīng)為 [0-7]內(nèi)的整數(shù)。

圖7 自相關(guān)與偏相關(guān)圖

針對(duì)(p，q)的不同組合，采用最小二乘法對(duì)ARMA(p，q)模型中的未知參數(shù)進(jìn)行估計(jì)；然后利用AIC準(zhǔn)則,選擇最小的那一組作為ARMA的p，q階數(shù)。本文最終選取ARIMA(4，1，2)模型對(duì)初步誤差進(jìn)行預(yù)測(cè)。

利用ARIMA模型可得到誤差預(yù)測(cè)結(jié)果與實(shí)際誤差值的比較，如圖8所示。

圖8 ARIMA的誤差預(yù)測(cè)值與實(shí)際誤差值的比較

由圖可見，隨著預(yù)測(cè)步長(zhǎng)的增加，誤差的預(yù)測(cè)值與實(shí)際誤差值的偏差加大。因此，ARIMA模型更適用于超短期和短期預(yù)測(cè)。故將本文方法用于超短期風(fēng)速的預(yù)測(cè)，并與ELM預(yù)測(cè)值、實(shí)際值進(jìn)行比較，圖9所示為超短期預(yù)測(cè)結(jié)果。

圖9 最終預(yù)測(cè)圖

由圖可見，應(yīng)用本文方法進(jìn)行超短期風(fēng)速預(yù)測(cè)，步長(zhǎng)越短，預(yù)測(cè)效果越好。

為評(píng)價(jià)本文方法的預(yù)測(cè)精度，選取平均絕對(duì)百分比誤差(Mean Absolute Percent Error，MAPE)、平均絕對(duì)誤差(Mean Absolute Error，MAE)、均方誤差(Mean Square Error,MSE)來(lái)對(duì)模型的預(yù)測(cè)結(jié)果的準(zhǔn)確度進(jìn)行評(píng)價(jià)，其中，

(8)

(9)

(10)

表2給出了本文方法與SVM、LS-SVM、ELM方法的實(shí)驗(yàn)結(jié)果評(píng)價(jià)。

表2 不同模型的風(fēng)速預(yù)測(cè)用時(shí)與評(píng)價(jià)結(jié)果

由表可見，本文方法的誤差率明顯較LS-SVM和ELM方法低；與SVM 方法相比，除EMSE外，其他指標(biāo)也明顯低于SVM方法?？梢?，本文方法有效提高了預(yù)測(cè)的精度。同時(shí)，與SVM相比，本文方法運(yùn)算速度快，且精度較高，SVM的EMSE值優(yōu)于本文方法是由于隨機(jī)確定的ELM參數(shù)不能很好地?cái)M合預(yù)測(cè)數(shù)據(jù)中的突變點(diǎn)，這也是本文后續(xù)將要進(jìn)行的研究；LS-SVM計(jì)算速度快，但精度較低。因此，本文方法在實(shí)際應(yīng)用中具有一定的優(yōu)勢(shì)。

5 結(jié) 語(yǔ)

本文針對(duì)具有較大隨機(jī)波動(dòng)性的風(fēng)速，提出了基于誤差修正的風(fēng)速超短期預(yù)測(cè)方法。利用ELM對(duì)風(fēng)速進(jìn)行初步預(yù)測(cè)，并取得預(yù)測(cè)誤差；然后，對(duì)誤差進(jìn)行擬合與預(yù)測(cè)；最后，對(duì)風(fēng)速初步預(yù)測(cè)值進(jìn)行補(bǔ)正，從而求得最終預(yù)測(cè)值。仿真實(shí)驗(yàn)表明，本文所提出的對(duì)誤差進(jìn)行修正的風(fēng)速超短期預(yù)測(cè)方法可以提高風(fēng)速的預(yù)測(cè)精度，優(yōu)于單獨(dú)使用ELM前饋神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值。本文所提出的方法也可以推廣到負(fù)荷預(yù)測(cè)等領(lǐng)域，具有一定的泛化能力。

[1] 韓爽. 風(fēng)電場(chǎng)功率短期預(yù)測(cè)方法研究 [D]. 北京：華北電力大學(xué), 2008：緒論1-2.

[2] 楊秀媛，肖洋，陳樹勇. 風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)研究 [J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2005, 25(11): 1-5.

[3] 南曉強(qiáng), 風(fēng)電預(yù)測(cè)技術(shù)及其運(yùn)行分析 [D]. 成都：西南交通大學(xué)， 2013:5.

[4] 丁藤，馮冬涵，林曉凡，等. 基于修正后ARIMA-GARCH模型的超短期風(fēng)速預(yù)測(cè) [J]. 電網(wǎng)技術(shù), 2017，41(6): 1808-1814.

[5] 孫春順，王耀南，李欣然. 小時(shí)風(fēng)速的向量自回歸模型及應(yīng)用 [J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2008, 28(14): 112-117.

[6] KARINIOTAKIS G N, STAVRAKAKIS G S, NOGARET E F. Wind power forecasting using advanced neural networks models [J].IEEE Transactions on Energy Conversion,1996,11(4): 762-767.

[7] 張國(guó)強(qiáng)，張伯明. 基于組合預(yù)測(cè)的風(fēng)電場(chǎng)風(fēng)速及風(fēng)電機(jī)功率預(yù)測(cè) [J]. 電力系統(tǒng)自動(dòng)化, 2009, 33(18): 92-95，109.

[8] PAPAEFTHYMIOU G, KLOCKL B. MCMC for wind power simulation [J]. IEEE Transactions on Energy Conversion, 2008，23(1): 234-240.

[9] 丁明，張立軍，吳義純. 基于時(shí)間序列分析的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)模型 [J]. 電力自動(dòng)化設(shè)備, 2005, 25(8): 32-34.

[10] 蔡凱，譚倫農(nóng)，李春林，等. 時(shí)間序列與神經(jīng)網(wǎng)絡(luò)法相結(jié)合的短期風(fēng)速預(yù)測(cè) [J]. 電網(wǎng)技術(shù), 2008, 32(8): 82-85，90.

[11] 田中大, 李樹江，王艷文，等. 基于小波變換的風(fēng)電場(chǎng)短期風(fēng)速組合預(yù)測(cè) [J]. 電工技術(shù)學(xué)報(bào), 2015，30(9): 112-120.

[12] 薛禹勝，郁琛，趙俊華，等. 關(guān)于短期及超短期風(fēng)電功率預(yù)測(cè)的評(píng)述[J]. 電力系統(tǒng)自動(dòng)化, 2015,39(6): 141-150.

[13] ZHANG Y, WANG P, NI T, et al. Wind power prediction based on LS-SVM model with error correction [J]. Advances In Electrical and Computer Engineering, 2017, 17(1): 3-8.

[14] PENG Xiaosheng, DENG Diyuan, WEN Jinyu, et al. A very short term wind power forecasting approach based on numerical weather prediction and error correction method [C]//2016 China International Conference on Electricity Distribution. Xi’an, China: IEEE, 2016:1-5.

[15] 王新迎，韓敏. 基于極端學(xué)習(xí)機(jī)的多變量混沌時(shí)間序列預(yù)測(cè) [J]. 物理學(xué)報(bào), 2012,61(8): 97-105.

[16] 張學(xué)清，梁軍，張熙，等. 基于樣本熵和極端學(xué)習(xí)機(jī)的超短期風(fēng)電功率組合預(yù)測(cè)模型 [J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2013, 33(25): 33-40.

[17] 王輝, 劉達(dá), 王繼龍. 基于譜聚類和優(yōu)化極端學(xué)習(xí)機(jī)的超短期風(fēng)速預(yù)測(cè) [J]. 電網(wǎng)技術(shù), 2015,39(5): 1307-1314.

[18] 蔣金良，林廣明. 基于ARIMA模型的自動(dòng)站風(fēng)速預(yù)測(cè) [J]. 控制理論與應(yīng)用, 2008, 25(2): 374-376.

[19] 房林, 鄒衛(wèi)星. 多種單位根檢驗(yàn)法的比較研究 [J]. 數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究, 2007, 24(1): 151-160.

Ultra-short Term Wind Speed Prediction for Extreme Learning Machine Based on Error Correction

PANYilong,DINGYunfei

(School of Electrical Engineering, Shanghai Dianji University, Shanghai 201306, China)

Ultra-short term wind speed prediction is important for the establishment and operation of a wind power forecasting system. Aimed at wind speed with evident fluctuation property and randomness, an ultra-short-term wind speed prediction method for extreme learning machine (ELM) based on error correction is proposed. ELM are used to predict wind speed preliminarily. With the error as original data, using auto-regressive integrated moving average to predict the error. Finally, prediction error is used to correction the wind speed to forecast the wind speed. Simulation results show feasibility and effectiveness of the method in ultra-short term prediction of wind speed.

wind speed prediction; error correction; extreme learning machine (ELM); auto-regressive integrated moving average (ARIMA)

2017 -09 -10

國(guó)家自然科學(xué)基金項(xiàng)目資助(11302123)；上海市浦江人才計(jì)劃資助(15PJ1402500)；上海市教育委員會(huì)科研創(chuàng)新項(xiàng)目資助(14YZ163)；上海市教育委員會(huì)和上海市教育發(fā)展基金會(huì)"晨光計(jì)劃"資助(13CG63)

潘羿龍(1992-)，男，碩士生，主要研究方向?yàn)槟Ｊ阶R(shí)別與智能系統(tǒng)，E-mail：363889821@qq.com

丁云飛(1976-)，女，教授，博士，主要研究方向?yàn)槟Ｊ阶R(shí)別、智能控制、故障診斷、人工智能、數(shù)據(jù)挖掘，E-mail：dingyf@sdju.edu.cn

2095 - 0020(2017)06 -0342 - 06

TM 614； TP 183

A