基于CEEMDAN-MFO-RBF的風(fēng)電功率短期預(yù)測(cè)?

谷凱文，魏 霞，黃德啟，葉家豪，王 賽

(新疆大學(xué) 電氣工程學(xué)院，新疆 烏魯木齊 830017)

0 引言

為了積極響應(yīng)國家低碳環(huán)保的號(hào)召，傳統(tǒng)的發(fā)電模式逐漸減少，新能源發(fā)電逐漸成熟，其中風(fēng)力發(fā)電依靠其特有的方式被大眾認(rèn)可.但風(fēng)力發(fā)電受風(fēng)速、風(fēng)向、溫度、濕度、大氣壓等自然因素影響呈現(xiàn)出不穩(wěn)定性，給電力系統(tǒng)安全運(yùn)行帶來很大影響.因此，需要提前對(duì)風(fēng)力發(fā)電場(chǎng)作出相對(duì)準(zhǔn)確的功率預(yù)測(cè)，進(jìn)而制定合理的發(fā)電計(jì)劃，從而使電力系統(tǒng)安全穩(wěn)定運(yùn)行[1?3].

當(dāng)前，國內(nèi)外對(duì)于風(fēng)力發(fā)電都有廣泛研究，使用方法各不相同，主要分為物理方法和統(tǒng)計(jì)方法[4].其中，數(shù)值天氣預(yù)報(bào)（NWP）是物理方法中非常重要的一種方法，該方法根據(jù)大氣及風(fēng)電場(chǎng)周圍的實(shí)際情況，在一定的初值和邊值條件下，通過計(jì)算機(jī)作數(shù)值計(jì)算，構(gòu)建流體力學(xué)和熱力學(xué)模型進(jìn)行風(fēng)電功率預(yù)測(cè)，但該方法受模型和參數(shù)的影響比較大，不符合精確的短期風(fēng)電功率預(yù)測(cè)研究[5?6].統(tǒng)計(jì)方法則利用各種影響風(fēng)機(jī)出力的歷史數(shù)據(jù)與功率數(shù)據(jù)構(gòu)建相應(yīng)的非線性預(yù)測(cè)模型，然后對(duì)數(shù)據(jù)進(jìn)行相應(yīng)處理，再輸入到預(yù)測(cè)模型中進(jìn)行風(fēng)電功率預(yù)測(cè)[7].主要的預(yù)測(cè)方法包括神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法、極限學(xué)習(xí)機(jī)法等[8?10].文獻(xiàn)[11]利用LSTM方法構(gòu)建風(fēng)電功率預(yù)測(cè)模型，通過與ARIMA時(shí)序預(yù)測(cè)算法對(duì)比，從性能誤差指標(biāo)證明了LSTM方法預(yù)測(cè)的相對(duì)高效性.文獻(xiàn)[12]利用CEEMDAN-FE對(duì)數(shù)據(jù)進(jìn)行分解，然后構(gòu)建KELM預(yù)測(cè)模型，通過仿真實(shí)驗(yàn)對(duì)比發(fā)現(xiàn)，文中所提方法的預(yù)測(cè)精度更高.文獻(xiàn)[13]利用EEMD對(duì)數(shù)據(jù)進(jìn)行分解處理，構(gòu)建了ACS-LSSVM預(yù)測(cè)模型，通過仿真實(shí)驗(yàn)表明文中所用方法優(yōu)越的動(dòng)態(tài)性能和精準(zhǔn)的預(yù)測(cè)性能.文獻(xiàn)[14]構(gòu)建了MS-RBF預(yù)測(cè)模型，通過仿真實(shí)驗(yàn)對(duì)比發(fā)現(xiàn)，文中所提方法相比單一的徑向基神經(jīng)網(wǎng)絡(luò)（Radial Basis Function,RBF）預(yù)測(cè)模型大大提高了預(yù)測(cè)精度.文獻(xiàn)[15]通過自適應(yīng)噪聲的完備經(jīng)驗(yàn)?zāi)B(tài)分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）對(duì)原始數(shù)據(jù)進(jìn)行分解，構(gòu)建GRU-XGBoost預(yù)測(cè)模型，通過仿真實(shí)驗(yàn)證明了CEEMDAN-GRU-XGBoost預(yù)測(cè)模型的預(yù)測(cè)精度相比于LSTM和ANN有明顯的優(yōu)勢(shì).

文中提出基于自適應(yīng)噪聲完整集成經(jīng)驗(yàn)?zāi)B(tài)分解與飛蛾撲火算法優(yōu)化徑向基神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)方法.首先，利用自適應(yīng)噪聲完整集成經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)風(fēng)電功率原始數(shù)據(jù)進(jìn)行分解，獲得不同時(shí)間尺度的固有模態(tài)函數(shù)分量和剩余分量，在此基礎(chǔ)上利用飛蛾撲火算法尋找徑向基神經(jīng)網(wǎng)絡(luò)的最優(yōu)參數(shù)，以提高徑向基神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度，將分解后的各個(gè)分量輸入到構(gòu)建的風(fēng)電功率預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)，并將各分量的預(yù)測(cè)結(jié)果進(jìn)行線性疊加從而得到最終的預(yù)測(cè)結(jié)果.最后利用新疆某風(fēng)電場(chǎng)的實(shí)際數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，文中所提方法相比于經(jīng)典方法具有更高的預(yù)測(cè)精度.

1 預(yù)測(cè)模型原理及建立

1.1 自適應(yīng)噪聲完整集成經(jīng)驗(yàn)?zāi)B(tài)分解原理

自適應(yīng)噪聲完整集成經(jīng)驗(yàn)?zāi)B(tài)分解（CEEMDAN）是對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition,EMD）和集成經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition,EEMD）的一種改進(jìn)方法.EMD方法可以將數(shù)據(jù)信號(hào)分解為有限個(gè)本征模態(tài)函數(shù)（Intrinsic Mode Function,IMF），每個(gè)IMF分量代表了不同時(shí)間尺度上的樣本特征，但其容易出現(xiàn)“模態(tài)混疊”問題.在EMD方法的基礎(chǔ)上逐漸提出了EEMD方法，該方法將正態(tài)分布的白噪聲加到了原來的數(shù)據(jù)信號(hào)中，進(jìn)而對(duì)數(shù)據(jù)信號(hào)進(jìn)行分解，然后將每次得到的IMF做集成平均處理，從而降低了模態(tài)混疊效應(yīng)，但其不具完備性，而且計(jì)算量比較大.CEEMDAN方法則是在EEMD的基礎(chǔ)上，通過自適應(yīng)加入白噪聲，既提高了預(yù)測(cè)精度，又減少了計(jì)算量，因此，文中選用該方法對(duì)數(shù)據(jù)信號(hào)進(jìn)行處理.CEEMDAN方法的分解過程如下所述：

（1）在最初的數(shù)據(jù)信號(hào)y(n)中添加不同幅值ε的高斯白噪聲wi(n)，即：

式中：yi(n)為最初的數(shù)據(jù)信號(hào)加入高斯白噪聲以后的信號(hào).

（2）對(duì)加入高斯白噪聲的信號(hào)yi(n)進(jìn)行EMD分解，得到第一個(gè)模態(tài)分量和第一個(gè)剩余分量：

（3）定義Ek(·)為EMD分解所產(chǎn)生的第k個(gè)階段的模態(tài)分量，對(duì)信號(hào)r1(n)+ε1E1(wi(n))進(jìn)行EMD分解，則第二個(gè)IMF模態(tài)分量和第二個(gè)剩余分量計(jì)算如下：

（4）對(duì)其余每個(gè)階段，即k=2,···,K，與步驟3的計(jì)算過程一致，計(jì)算第k個(gè)剩余分量和第k+1模態(tài)分量為：

（5）重復(fù)步驟4，直到剩余分量不能再進(jìn)行分解，即余量信號(hào)的極值點(diǎn)不超過兩個(gè)，則最終的剩余分量為：

式中：k為所有模態(tài)分量的數(shù)量.

1.2 飛蛾撲火算法原理

飛蛾撲火（Moth-Flame Optimization,MFO）算法是Seyedali通過觀察飛蛾利用月光飛行這一導(dǎo)航方式提出的新型群智能優(yōu)化算法[16].簡(jiǎn)單來說，該算法就是固定數(shù)量的飛蛾在解空間中尋找更合適的位置，即目標(biāo)函數(shù)的解，而火焰就是最優(yōu)解.目前該算法應(yīng)用于電力系統(tǒng)經(jīng)濟(jì)調(diào)度、軌跡尋優(yōu)以及網(wǎng)絡(luò)安全等各個(gè)領(lǐng)域，且取得了非常好的效果，表明了該算法的有效性[17?18].

在MFO算法中，矩陣M代表飛蛾的集合，矩陣F代表火焰的集合，OM是飛蛾的適應(yīng)度值，OF是火焰的適應(yīng)度值，該算法可以用下述三元組進(jìn)行表述：

函數(shù)I代表飛蛾種群以及對(duì)應(yīng)的適應(yīng)度值.其系統(tǒng)模型如下所示：

函數(shù)P影響飛蛾在解空間中的運(yùn)動(dòng)軌跡，通過不斷迭代，進(jìn)而更新自己的位置.

函數(shù)T是為了判斷是否達(dá)到預(yù)期結(jié)果，達(dá)到預(yù)期結(jié)果則為true，否則為false.

上述流程總結(jié)：初始化飛蛾位置，不斷進(jìn)行迭代，最終達(dá)到預(yù)期效果.

利用式（13）更新每只飛蛾相對(duì)于火焰的位置：

式中：第i只飛蛾用Mi表示，第j個(gè)火焰用Fj表示，S為螺旋形函數(shù).

該算法中的對(duì)數(shù)螺旋函數(shù)如式（14）所示:

式中：飛蛾i與火焰j的距離用Di表示，b為常數(shù)，t為隨機(jī)數(shù)，從[-1,1]中選取.

通過式（15）可以求出距離D：

因?yàn)樽罱K的火焰位置是全局最優(yōu)解，而且為了算法更好的尋優(yōu)能力，所以要在迭代過程中逐漸減少火焰的數(shù)量，如式（16）所示：

式中：當(dāng)前迭代次數(shù)用l表示，火焰數(shù)量的最大值用N表示，最大迭代次數(shù)用T表示.該算法的迭代過程如下所述：

（1）用式（10）隨機(jī)散布飛蛾的位置，設(shè)置相關(guān)參數(shù)，開始進(jìn)行迭代；

（2）根據(jù)式（16）計(jì)算火焰的數(shù)量；

（3）將飛出搜索空間的飛蛾位置進(jìn)行重置，計(jì)算每只飛蛾的個(gè)體適應(yīng)度值；

（4）當(dāng)為第1次迭代時(shí)，將飛蛾的適應(yīng)度值進(jìn)行從優(yōu)到劣排列，進(jìn)而更新火焰的位置和適應(yīng)度值；當(dāng)為第1次迭代之后的迭代時(shí)，將火焰和上一次迭代的飛蛾的適應(yīng)度值進(jìn)行排序，進(jìn)而更新火焰的位置和適應(yīng)度值，從而取最優(yōu)解作為最優(yōu)火焰；

（5）根據(jù)式（15）計(jì)算火焰與飛蛾之間的距離，進(jìn)而用式（14）逐個(gè)更新飛蛾的位置；

（6）本次迭代結(jié)束后返回第（2）步，直至達(dá)到最大迭代次數(shù)或找到全局最優(yōu)解.

1.3 徑向基神經(jīng)網(wǎng)絡(luò)原理

徑向基（RBF）神經(jīng)網(wǎng)絡(luò)是一種性能良好的前饋式神經(jīng)網(wǎng)絡(luò)，可以有效解決系統(tǒng)內(nèi)部相對(duì)復(fù)雜的規(guī)律性問題，具有高效的輸入、輸出映射能力，相比其他前向網(wǎng)絡(luò)，具有結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練簡(jiǎn)潔、學(xué)習(xí)收斂速度快等特點(diǎn)，因此被廣泛應(yīng)用于非線性優(yōu)化、時(shí)間序列預(yù)測(cè)和模式識(shí)別等領(lǐng)域[19?20].

RBF神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成.從輸入空間到隱層空間的變換是非線性的，輸入層的作用是為了傳輸信號(hào)，輸入層和隱含層之間可以看作連接權(quán)值為1的連接，而從隱層空間到輸出層空間變換是線性的，隱含層是對(duì)基函數(shù)參數(shù)的調(diào)整，輸出層是所有隱含層輸出的線性加權(quán)和.但RBF神經(jīng)網(wǎng)絡(luò)存在自身泛化能力不足的問題，因此，在風(fēng)電功率預(yù)測(cè)中一般采用優(yōu)化算法為RBF神經(jīng)網(wǎng)絡(luò)尋找最優(yōu)參數(shù)，提高預(yù)測(cè)模型的泛化能力.RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示.

圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

RBF神經(jīng)網(wǎng)絡(luò)需要選取三組參數(shù)：基函數(shù)的中心c、寬度σ、隱含層到輸出層的權(quán)值ω.RBF神經(jīng)網(wǎng)絡(luò)中常用的徑向基函數(shù)采用高斯函數(shù)，則RBF的激活函數(shù)可以表達(dá)如下：

式中：x為輸入樣本；ci為基函數(shù)的中心；σi為基函數(shù)的方差；||x?ci||為歐氏范數(shù).

由RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖可知網(wǎng)絡(luò)輸出為：

式中：yj為輸出層第j個(gè)節(jié)點(diǎn)輸出；wij為隱含層第i個(gè)節(jié)點(diǎn)到輸出層第j個(gè)節(jié)點(diǎn)的權(quán)值；h為隱含層的節(jié)點(diǎn)數(shù).

1.4 預(yù)測(cè)模型的建立

文中所提的CEEMDAN-MFO-RBF風(fēng)電功率短期預(yù)測(cè)流程圖如圖2所示，具體過程如下所述：

圖2 基于CEEMDAN-MFO-RBF的預(yù)測(cè)流程圖

（1）設(shè)置CEEMDAN算法中的噪聲標(biāo)準(zhǔn)偏差、訓(xùn)練周期和迭代次數(shù)，然后將風(fēng)電功率信號(hào)分解為多個(gè)固有模態(tài)分量和剩余分量；

（2）設(shè)置MFO算法參數(shù)，初始化飛蛾的位置，計(jì)算火焰的數(shù)量和飛蛾個(gè)體適應(yīng)度值，對(duì)飛蛾種群和飛蛾個(gè)體適應(yīng)度值排序，獲取最優(yōu)火焰位置和火焰適應(yīng)度值，當(dāng)找到最優(yōu)解或達(dá)到最大迭代次數(shù)時(shí)，獲得最終全局最優(yōu)解；

（3）設(shè)置RBF神經(jīng)網(wǎng)絡(luò)中的參數(shù)（動(dòng)量因子、學(xué)習(xí)因子、輸入層數(shù)、隱含層數(shù)和輸出層數(shù)），以均方根誤差作為適應(yīng)度函數(shù)，尋找其最小值作為全局最優(yōu)解，將MFO算法找到的全局最優(yōu)解優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)中心、寬度和權(quán)值，建立MFO-RBF預(yù)測(cè)模型.均方根誤差公式如下所示：

式中：pi表示第i次預(yù)測(cè)時(shí)的預(yù)測(cè)值；ti表示第i次預(yù)測(cè)時(shí)樣本的實(shí)際值；n為預(yù)測(cè)樣本數(shù).

（4）將CEEMDAN算法分解的模態(tài)分量和剩余分量分別輸入到MFO-RBF預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)，將各個(gè)分量的預(yù)測(cè)值線性組合進(jìn)而得到最終的預(yù)測(cè)結(jié)果.

2 算例分析

文中采用新疆某風(fēng)電場(chǎng)的實(shí)際數(shù)據(jù)進(jìn)行CEEMDAN-MFO-RBF風(fēng)電功率短期預(yù)測(cè).選擇2017年1月1日到2017年1月31日的2 976組數(shù)據(jù)，每一個(gè)采樣點(diǎn)的時(shí)間尺度為15 min，將2017年1月1日到2017年1月30日的2 880組數(shù)據(jù)作為模型的訓(xùn)練集，將2017年1月31日的96組數(shù)據(jù)（24小時(shí)）作為模型的測(cè)試集，進(jìn)行預(yù)測(cè)仿真實(shí)驗(yàn).該仿真實(shí)驗(yàn)選擇使用MATLAB 2019a平臺(tái)，預(yù)測(cè)未來24小時(shí)的功率，進(jìn)而驗(yàn)證文中所提預(yù)測(cè)模型的預(yù)測(cè)精度.

文中選取均方根誤差（Root Mean Square Error,RMSE）、均方誤差（Mean Square Error,MSE）和平均絕對(duì)誤差（Mean Absolute Error,MAE）作為風(fēng)電功率預(yù)測(cè)的誤差評(píng)價(jià)指標(biāo)[21]，其公式如下所示：

式中：xi表示第i次預(yù)測(cè)時(shí)的預(yù)測(cè)值；yi表示第i次預(yù)測(cè)時(shí)樣本的實(shí)際值；n為預(yù)測(cè)樣本數(shù).

2.1 基于CEEMDAN的風(fēng)電功率信號(hào)分解

在實(shí)驗(yàn)中，對(duì)原始風(fēng)電功率信號(hào)序列進(jìn)行CEEMDAN分解，分解時(shí)添加500組噪聲標(biāo)準(zhǔn)偏差為0.2的白噪聲信號(hào)，由于序列的非平穩(wěn)性使得原始風(fēng)電功率信號(hào)序列被分解為10個(gè)固有模態(tài)分量（IMF）和1個(gè)剩余分量（R），分解結(jié)果如圖3所示.

圖3 CEEMDAN方法的分解結(jié)果

為了驗(yàn)證CEEMDAN方法的高效性，文中分別使用EMD方法、EEMD方法和CEEMDAN方法對(duì)原始風(fēng)電功率信號(hào)序列進(jìn)行分解，并將分解后的各個(gè)分量輸入到MFO-RBF預(yù)測(cè)模型中，利用誤差評(píng)價(jià)指標(biāo)對(duì)三種分解方法進(jìn)行對(duì)比，結(jié)果如表1所示.

表1 三種分解方法誤差指標(biāo)對(duì)比

由表1可知，CEEMDAN方法的均方根誤差指標(biāo)RMSE相比EMD和EEMD方法分別降低了46.98%和39.91%，均方誤差指標(biāo)MSE相比前兩種方法分別降低了71.89%和63.89%，平均絕對(duì)誤差指標(biāo)MAE相比前兩種方法分別降低了40.65%和25.45%，表明CEEMDAN方法對(duì)原始風(fēng)電功率信號(hào)分解的有效性和收斂性.

2.2 預(yù)測(cè)模型結(jié)果及對(duì)比分析

為了驗(yàn)證文中所提出預(yù)測(cè)模型的預(yù)測(cè)精度是否優(yōu)越，在本次實(shí)驗(yàn)中分別構(gòu)建了PSO-RBF、GA-RBF、MFO-RBF、EMD-MFO-RBF、EEMD-MFO-RBF和CEEMDAN-MFO-RBF預(yù)測(cè)模型，為了增加仿真結(jié)果的可靠性，文中將仿真10次的誤差評(píng)價(jià)指標(biāo)數(shù)值的平均值作為各個(gè)預(yù)測(cè)模型的誤差評(píng)價(jià)結(jié)果，各預(yù)測(cè)模型的預(yù)測(cè)結(jié)果對(duì)比如圖4所示.

由圖4可知，經(jīng)典PSO-RBF預(yù)測(cè)模型和GA-RBF預(yù)測(cè)模型與實(shí)際值的擬合程度低，預(yù)測(cè)前期波動(dòng)比較大.而文中所提的MFO-RBF預(yù)測(cè)模型與實(shí)際值的擬合程度相對(duì)比較高，但相比經(jīng)過風(fēng)電功率信號(hào)序列分解的EMD-MFO-RBF、EEMD-MFO-RBF和CEEMDANMFO-RBF預(yù)測(cè)模型，與實(shí)際值的偏離程度仍然很大.各預(yù)測(cè)模型的誤差指標(biāo)對(duì)比結(jié)果如表2所示.

圖4 模型預(yù)測(cè)結(jié)果對(duì)比圖

表2 模型誤差指標(biāo)對(duì)比

通過對(duì)比表2中的數(shù)據(jù)可知，文中所提的MFO-RBF預(yù)測(cè)模型的均方根誤差指標(biāo)RMSE相比經(jīng)典的PSO-RBF預(yù)測(cè)模型和GA-RBF預(yù)測(cè)模型分別降低了39.92%和46.38%，均方誤差指標(biāo)MSE分別降低了63.91%和71.25%，平均絕對(duì)誤差指標(biāo)MAE分別降低了36.73%和39.78%，表明MFO-RBF預(yù)測(cè)模型的預(yù)測(cè)精度優(yōu)于經(jīng)典算法的預(yù)測(cè)模型.而文中所提的CEEMDAN-MFO-RBF預(yù)測(cè)模型的誤差性能指標(biāo)低于其他五種預(yù)測(cè)模型，表明其預(yù)測(cè)模型的預(yù)測(cè)效果最好，有較高的預(yù)測(cè)準(zhǔn)確率.

為了進(jìn)一步驗(yàn)證文中所提方法的有效性，進(jìn)行了增加預(yù)測(cè)步長的多步預(yù)測(cè)仿真實(shí)驗(yàn)，預(yù)測(cè)步長分別設(shè)定為一步、三步和六步，各預(yù)測(cè)模型多步預(yù)測(cè)誤差對(duì)比結(jié)果如表3所示.在三種預(yù)測(cè)模型中，CEEMDAN-MFO-RBF相比EMD-MFO-RBF，在一步、三步、六步預(yù)測(cè)中的均方根誤差指標(biāo)RMSE分別降低了50.37%、50.58%、46.35%，平均絕對(duì)誤差指標(biāo)MAE分別降低了60.38%、54.75%、55.52%；CEEMDAN-MFO-RBF相比EEMD-MFO-RBF，在一步、三步、六步預(yù)測(cè)中的均方根誤差指標(biāo)RMSE分別降低了37.44%、40.42%、33.36%，平均絕對(duì)誤差指標(biāo)MAE分別降低了26.07%、12.02%、33.25%.實(shí)驗(yàn)結(jié)果表明，在各個(gè)預(yù)測(cè)模型中，一步預(yù)測(cè)的誤差評(píng)價(jià)指標(biāo)要優(yōu)于三步預(yù)測(cè)和六步預(yù)測(cè)，即預(yù)測(cè)步長越長，預(yù)測(cè)誤差越大.相比于其他預(yù)測(cè)模型，CEEMDAN-MFO-RBF在一步、三步、六步預(yù)測(cè)中的預(yù)測(cè)精度最高，且預(yù)測(cè)穩(wěn)定性最好.

表3 多步預(yù)測(cè)誤差指標(biāo)對(duì)比

3 結(jié)論

文中提出基于CEEMDAN-MFO-RBF的風(fēng)電功率短期預(yù)測(cè)方法，通過CEEMDAN對(duì)風(fēng)電功率信號(hào)進(jìn)行分解處理，在此基礎(chǔ)上利用MFO算法尋找RBF神經(jīng)網(wǎng)絡(luò)的最優(yōu)參數(shù)，以提高RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度，進(jìn)而構(gòu)建MFO-RBF預(yù)測(cè)模型，經(jīng)過仿真實(shí)驗(yàn)分析表明：

（1）CEEMDAN方法可以非常有效地對(duì)風(fēng)電功率進(jìn)行處理，進(jìn)而降低其非線性和非平穩(wěn)性，而且還能克服EMD方法產(chǎn)生模態(tài)混疊的問題及EEMD方法計(jì)算量大的問題.

（2）通過MFO算法為RBF神經(jīng)網(wǎng)絡(luò)尋找最優(yōu)的參數(shù)，相比傳統(tǒng)的優(yōu)化算法，MFO算法優(yōu)化后的效果更好，提高了徑向基神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度.

（3）構(gòu)建的CEEMDAN-MFO-RBF風(fēng)電功率預(yù)測(cè)模型，預(yù)測(cè)精度較高，具有非常好的實(shí)用價(jià)值，為以后的短期風(fēng)電功率預(yù)測(cè)提供了新的借鑒.