基于VMD-BOA-LSSVM-AdaBoost的短期風電功率預測

摘要：針對風電信號具有間歇性、非線性、波動性、非平穩(wěn)性和不確定性等特征，建立一種基于變分模態(tài)分解（VMD）和蝴蝶優(yōu)化算法（BOA）優(yōu)化最小二乘支持向量機（LSSVM）的風電功率短期預測模型，為提高預測精度，引入自適應(yīng)校正算法（AdaBoost）。首先，利用變分模態(tài)分解將原始功率信號數(shù)據(jù)分解多個子序列。其次，利用蝴蝶優(yōu)化算法優(yōu)化最小二乘支持向量機組合預測模型對每個子序列進行預測。最后通過自適應(yīng)校正算法將多個分量預測值重構(gòu)得到最終的預測值，結(jié)合西北某一風電場提供的風電功率數(shù)據(jù)為例驗證模型的有效性。結(jié)果驗證了建立的組合預測模型能夠較好地對短期風電功率進行預測，并具有較好的預測精度。

關(guān)鍵詞：風電功率預測；最小二乘支持向量機；變分模態(tài)分解；自適應(yīng)校正；預測精度

中圖分類號：TM614;TP181文獻標志碼：A

0引言

隨著化石能源枯竭，風電作為一種可再生能源不斷被人們注視，對風電的開發(fā)強度也不斷提升。但風電易受天氣和地理特征影響，由于風速在風力發(fā)電中起到重要因素，而風速具有隨機性、波動性以及間歇性從而間接導致風電功率中具有相同的特性[1-2]。因此，進行精確的風電功率預測對風電的利用有重要意義。

目前，大量學者參與風電功率預測研究，采用的主要方法：時間序列滾動預測、支持向量機（support vector machine，SVM）、神經(jīng)網(wǎng)絡(luò)（back propagation neural network，BPNN）、基于數(shù)據(jù)挖掘的模型預測以及深度學習等[3-6]。文獻[7]建立基于變分模態(tài)分解（variational mode decomposition，VMD）和最小二乘支持向量機（least square SVM，LSSVM）的短期風力發(fā)電功率預測新模型；文獻[8]提出一種基于誤差修正的NNA-ILSTM短期風電功率預測方法；文獻[9]為提高風力發(fā)電功率短期預測的準確度，提出一種將自適應(yīng)噪聲完備集成經(jīng)驗模態(tài)分解與改進時間卷積網(wǎng)絡(luò)結(jié)合的短期風電功率預測模型；文獻[10]建立基于麻雀算法優(yōu)化極限學習機的組合預測模型；文獻[11]基于灰色關(guān)聯(lián)分析與自適應(yīng)提升的天牛群優(yōu)化極限學習機風電功率短期預測方法；文獻[12]提出利用新的加權(quán)投票參數(shù)對自適應(yīng)提升算法（adaptive boosting，AdaBoost）進行改進的方法。

單一模型方法在短期預測中表現(xiàn)出不同的優(yōu)勢與缺陷，但建立組合模型可在一定程度上提高預測效果。本文建立VMD-BOA-LSSVM-AdaBoost短期風電功率預測組合模型。針對歷史風電功率序列波動劇烈的特點，首先利用VMD將原始風電功率數(shù)據(jù)分解為多個平穩(wěn)的模態(tài)分量，然后采用蝴蝶優(yōu)化算法（butterfly optimization algorithm，BOA）優(yōu)化LSSVM模型，建立BOA-LSSVM模型進行預測，最終對預測值進行自適應(yīng)誤差修正從而提升功率預測結(jié)果。選取西北地區(qū)某風電場的實際歷史風電功率數(shù)據(jù)進行實驗驗證其組合模型的性能。

1風電功率預測總體研究思路

構(gòu)建VMD-BOA-LSSVM-AdaBoost短期風電功率預測模型的思路：“數(shù)據(jù)集分解—構(gòu)建組合模型—模型優(yōu)化—模型預測—預測值重構(gòu)”?？傮w流程圖如圖1所示。

該模型的流程主要步驟如下：

1）選取風電場實際風電功率作數(shù)據(jù)集，對數(shù)據(jù)集預處理，再使用VMD對風電功率數(shù)據(jù)分解。

2）通過分解后分量進行重構(gòu)曲線和歷史數(shù)據(jù)進行比較來確定k，記錄k值對應(yīng)的各分量數(shù)據(jù)7。

3）針對各個分量分別建立BOA-LSSVM預測模型，獲得對應(yīng)的預測值。

4）對每個VMD-BOA-LSSVM預測值進行誤差修正，通過自適應(yīng)誤差修正模型，預測值進行權(quán)重修正，降低預測誤差，重構(gòu)預測結(jié)果。

2基于VMD風電功率數(shù)據(jù)分解

VMD是用來對信號進行處理，目的提高信號的準確性，通過求解約束變分模型最優(yōu)解從而實現(xiàn)信號的分解[7。求解步驟如下：

1）對于每個模態(tài)函數(shù)ua（t），通過希爾伯特變換計算對應(yīng)的解析信號和頻譜。

2）對每個解析信號加入的指數(shù)項e2，把對應(yīng)的頻譜調(diào)制到相應(yīng)的基帶上。

3）中心頻率的帶寬通過對信號調(diào)值后計算的梯度范數(shù)來估算，轉(zhuǎn)換為有約束的變分問題。

式中：δ（t）——脈沖函數(shù)；u——分解得到的第k個IMF分量；w？——各模態(tài)對應(yīng)中心的頻率；f——歷史風電功率信號。

4）加入?yún)?shù)α和λ（t）后，轉(zhuǎn)換成無約束變分問題，而得到增廣拉格朗日表達式：

式中：α——保真度約束的平衡參數(shù)；lt;，gt;——內(nèi)積運算符；λ（t）——拉格朗日乘子。

5）迭代求取式（4）中的鞍點，結(jié)合對偶分解方法和交替方向乘子法（alternating direction method of multipliers，ADMM）13]，更新uz+1、w7+1和λ+1，在求解最優(yōu)值的過程中，變量更新式為：

式中：n——迭代次數(shù)；r——保真系數(shù)；f（w）-Zut（0）——信號分解的殘留量；不斷更新w%+1和λ+1，得到多個模態(tài)分量，成功對信號的進行分解。

3基于VMD-BOA-LSSVM風電功率預測模型

3.1 LSSVM原理

最小二乘支持向量機是1995年國外專家在支持向量機的基礎(chǔ)上研究出來，用于提升求解速度；通過將不等式約束條件轉(zhuǎn)為等式約束條件，求得非線性回歸函數(shù)：

式中：N——訓練集的數(shù)量；x——輸入；H——LSSVM泛化的能力；φ（x）——非線性映射；E——訓練總誤差；C——懲罰因子；b——偏置常數(shù)。

文獻[14]讓LSSVM模型分別單獨使用8種不同核函數(shù)，通過比較LSSVM模型風電功率預測誤差，來判斷模型結(jié)合哪種核函數(shù)預測效果最佳，結(jié)果表明：選擇徑向基函數(shù)（radial basis function，RBF）作為核函數(shù)時，LSSVM模型的預測誤差最小。故選用RBF函數(shù)作為LSSVM核函數(shù)。

3.2蝴蝶優(yōu)化算法

蝴蝶優(yōu)化算法是模擬蝴蝶尋找食物和求偶行為的群智能優(yōu)化算法[15]。算法中假設(shè)每只蝴蝶均可產(chǎn)生香味且香味可被一定范圍內(nèi)的其他蝴蝶所感知。蝴蝶移動過程中香味會發(fā)生改變，當蝴蝶感知香味最濃的香味時，就朝最優(yōu)蝴蝶的位置移動，這個階段為全局搜索階段；當感知不到比自己更濃的香味則隨機游走，這個階段為局部搜索階段。蝴蝶香味計算公式為：

式中：c、q、a——感覺因子、刺激強度和冪指數(shù)；a？和a？——a的初始值和最終值；Tmx——最大迭代次數(shù)。

全局搜索階段，蝴蝶向gbes位置游動為：

在局部搜索階段，蝴蝶隨機游走位置為：

式中：x'——第i只蝴蝶在第t次迭代的位置向量；f——第i只蝴蝶產(chǎn)生的香味。

3.3構(gòu)建VMD-LSSVM-LSSVM預測模型

首先對原始數(shù)據(jù)進行預處理；然后通過迭代搜索，將VMD算法中約束條件轉(zhuǎn)變?yōu)榉羌s束條件，使用ADMM算法對非約束問題進行求解，避免可能出現(xiàn)的端點效應(yīng)等問題16-17]，經(jīng)VMD分解后，可得到多個子序列，通過模態(tài)重構(gòu)的方式對原始風電功率數(shù)據(jù)去噪。選擇將各個風電功率子序列分別輸入到LSSVM預測模型中，由于此時模型主要參數(shù)（核函數(shù)寬度和懲罰因子）非最優(yōu)，預測結(jié)果誤差較大，LSSVM的預測效果主要受核函數(shù)寬度和懲罰因子影響。在使用LSSVM模型預測時，使用BOA對重要參數(shù)尋優(yōu)，將最優(yōu)值輸入到LSSVM模型后再進行短期風電功率預測，從而有效提高模型預測效果。

圖2為VMD-BOA-LSSVM模型流程圖。

實現(xiàn)步驟如下：

1）對風電功率數(shù)據(jù)預處理和VMD分解。

2）BOA和LSSVM參數(shù)設(shè)置和初始化。

3）計算蝴蝶的適應(yīng)度值f，并比較，將各蝴蝶當前產(chǎn)生香味位置記為最優(yōu)位置。

4）計算香味，判斷蝴蝶搜索階段。

5）更新蝴蝶個體和全局最優(yōu)解。

6）更新蝴蝶位置的適應(yīng)值，輸出最優(yōu)值。

7）判斷迭代次數(shù)是否滿足條件，是輸出最優(yōu)解并賦值給LSSVM;否則返回步驟3）。

8）預測值和測試值對比分析，計算誤差。

4自適應(yīng)提升功率預測修正模型

為減小組合模型的誤差，結(jié)合自適應(yīng)提升誤差補償算法；通過在組合預測模型的預測序列中引入AdaBoost的權(quán)重分配與最后預測序列重組，來減小誤差值從而達到提升的預測精度。隨著對AdaBoost算法深入研究，F(xiàn)reund等18改變輸入數(shù)據(jù)集的權(quán)重值使得AdaBoost適用于回歸預測[19]。算法中首先將BOA-LSSVM設(shè)為基準學習器，然后進入迭代后，最后根據(jù)各個BOA-LSSVM的預測誤差值計算權(quán)重，通過提升誤差小的BOA-LSSVM預測值的權(quán)重，降低誤差高的BOA-LSSVM預測值的權(quán)重，通過達到降低預測誤差來提升預測準確性。

基于VMD-BOA-LSSVM-AdaBoost風電功率短期預測流程如圖3。

具體步驟如下：

1）導入風電功率數(shù)據(jù)，進行數(shù)據(jù)處理。

2）經(jīng)過VMD分解，得到k個子序列。

3）將子序列導入BOA-LSSVM模型進行訓練和測試。

4）設(shè)置每個弱預測器的權(quán)重D.（i），BOA-LSSVM預測值構(gòu)成h？（x）數(shù)據(jù)集，計算誤差來更行權(quán)重。

式中：h？（x）——第k子序列的預測值；y？（i）——第k個子序列的實際值；c——常數(shù)；判斷，若迭代次數(shù)tlt;T，轉(zhuǎn)入步驟3）繼續(xù)執(zhí)行，直到迭代次數(shù)達到Tm，輸出預測的結(jié)果，進行分析。

5）k個組合模型的子序列組合得到強預測器；并輸出預測值疊加得到最終預測值。

5算例分析

5.1實驗環(huán)境

選擇在Matebook14筆記本電腦，處理器為Intel（R）CoreTMi5-10210U CPU @2.11GHz，采用MatlabR2016a仿真軟件，進行仿真實驗[201。

5.2數(shù)據(jù)來源及數(shù)據(jù)分解

為驗證VMD-BOA-LSSVM-AdaBoost預測模型的有效性，選擇西北某風電場的實際風電功率數(shù)據(jù)為數(shù)據(jù)集，采用的多組數(shù)據(jù)集，采樣頻域為15 min/組，這些數(shù)據(jù)集是經(jīng)過預處理，其中剔除不規(guī)則數(shù)據(jù)以及無效數(shù)據(jù)，最后按順序采取1000組，其中（風速、風向、溫度和濕度）輸入，數(shù)據(jù)集特征如表1。

從表1中分析得到數(shù)據(jù)集特征，為驗證風速在風電功率中重要性，進行梯度提升樹回歸得到影響風電功率各個因素特征重要性比例，從表1中得到風速在風電中有重要作用。

建模數(shù)據(jù)集，將風電功率數(shù)據(jù)劃分950組數(shù)據(jù)作為訓練集和50組劃分為測試集，其中50組相當于一天的預測，風電功率實際數(shù)據(jù)曲線如圖4所示；使用VMD算法對歷史的風電功率數(shù)據(jù)進行分解，分解結(jié)果如圖5所示。

通過VMD對風電功率數(shù)據(jù)進行分解，假設(shè)k=8，分解后的曲線如圖5。

從圖5中分析得到：VMD分解時設(shè)置k=8時，將風電功率曲線分為8個IMF分量，分為4個階段范圍（20，40）、（-2，2）、（-1，-1）和（-0.5，0.5），其中k值確定十分重要，因此選用中心頻率法進行確定。

從表2中心頻率分析，可得到當k值取6、7時中心頻率一致，故由中心頻率法確定k值為6。

從圖6中可觀察到k取6時重構(gòu)后的曲線更光滑和平穩(wěn)，明顯看出歷史風電功率數(shù)據(jù)經(jīng)過VMD分解后，可有效降低曲線波動、去除低次諧波和達到降噪效果。

5.3模型誤差評價指標

為檢測模型的預測效果，選擇相關(guān)系數(shù)R2、平均絕對誤差EMAE、均方誤差EMse和均方根誤差ERMsc來評價預測結(jié)果，其表達式為：

式中：N——預測樣本數(shù)量；y？——第t時刻樣本的實際值；y，'——第t時刻的預測值。

5.4模型預測結(jié)果及對比分析

為驗證VMD-BOA-LSSVM-AdaBoost模型的性能，選取VMD-BOA-LSSVM-AdaBoost和其他6種模型形成對比實驗，如圖7所示。通過分析圖7可知，與其他預測模型比較，VMD-BOA-LSSVM-AdaBoost預測曲線與真實數(shù)據(jù)曲線幾乎相同，與實際數(shù)據(jù)符合度更高，有較好的預測效果。

為了驗證模型的有效性，引入R2、EMAE、Ewse和ERwse評價指標分析，如表3所示。

通過仿真對比實驗將VMD-BOA-LSSVM和VMD-WOA-LSSVM、LSSVM、VMD-PSO-LSSVM以及VMD-BP模型對比；從表1分析得到，由于BP神經(jīng)網(wǎng)絡(luò)隨機太大，即使加入VMD分解后其預測效果依然不佳，故選用LSSVM模型為底層模型；LSSVM經(jīng)VMD分解后，VMD-LSSVM比LSSVM在評價指標EmAt降低11.98%、ERMsE降低16.56%以及EmsE降低8.63%。此外，通過對比組合預測模型和R2的比較，驗證VMD-BOA-LSSVM組合模型的預測精度較高；為了減小組合模型預測誤差，在此基礎(chǔ)上加入AdaBoost自適應(yīng)校正補償，對VMD-BOA-LSSVM預測模型的各個子序列預測值進行建模，VMD-BOA-LSSVM-AdaBoost與VMD-BOA-LSSVM比較：ERwse、EwAB和Ewse分別減低27.01%、33.57%和14.62%。

為提高模型的有效性，改變模型預測步長，預測結(jié)果如圖8所示。從圖8模型對比結(jié)果中得到，VMD-BOA-LSSVM-AdaBoost預測曲線比其他模型更接近真實曲線，有較好的預測效果。

從表4得到：隨著預測模型的誤差隨步長增加而增加；VMD-BOA-LSSVM-AdaBoost相比于VMD-LSSVM在兩步、四步預測中Ewsa分別降低了85.12%、91.67%;EMAc分別降低了62.40%、71.19%，ERMse分別降低了61.43%、69.58%;VMD-BOA-LSSVM-AdaBoost比VMD-PSO-LSSVM在兩步、四步預測中Evs：分別降低了90%、93%;EME分別降低了56.88%，測Ewse分別降低了81.82%、72.56%;Ewse分別降低了42.24%、40.43%，RMSE分別降低了39.76%、47.58%。

實驗結(jié)果表明，基于VMD-BOA-LSSVM-AdaBoost短期風電功率預測模型在一定預測時間尺度內(nèi)具有較好的預測效果和穩(wěn)定性能。

6結(jié)論

建立VMD-BOA-LSSVM-AdaBoost模型對短期風電功率進行預測。采用首先利用VMD對波動性大、非線性強的原始數(shù)據(jù)進行分解；其次利用BOA-LSSVM算法對VMD后的子序列進行預測；然后對各分量預測值進行自適應(yīng)校正；最后集成得到最終風電功率預測值。為驗證本文所提模型的有效性，選取某西北地區(qū)風電場的風電功率數(shù)據(jù)進行短期預測，得到以下主要結(jié)論：

1）風電功率數(shù)據(jù)經(jīng)VMD分解后可將波動性、不穩(wěn)定性和間歇性數(shù)據(jù)轉(zhuǎn)為相對穩(wěn)定的子序列，對原始的風電功率數(shù)據(jù)進行VMD分解后，選擇重要曲線進行重構(gòu)數(shù)據(jù)曲線，可有效對原始曲線進行去噪處理，間接提高預測效果。

2）BOA能較好地優(yōu)化LSSVM模型參數(shù)，得到組合預測模型明顯優(yōu)于單一預測模型；建立VMD-BOA-LSSVM模型，提高LSSVM的預測效果和泛化性能。

3）為進一步提高VMD-BOA-LSSVM組合模型的預測效果，通過加入AdaBoost算法，構(gòu)建VMD-BOA-LSSVM-AdaBoost預測模型，采取西北某地區(qū)的風電場實際風電數(shù)據(jù)來驗證其性能，通過對比其他預測模型，實驗結(jié)果表明：VMD-BOA-LSSVM-AdaBoost模型有較高預測精度。

4）為驗證VMD-BOA-LSSVM-AdaBoost組合模型的有效性，增加多步預測，實驗結(jié)果驗證：VMD-BOA-LSSVM-AdaBoost模型有較高穩(wěn)定性和魯棒性。70.75%，ERMsE分別降低了68.51%、73.70%;VMD-BOA-LSSVM-AdaBoost相比于VMD-WOA-LSSVM在兩步、四步預

5）該模型應(yīng)用范圍較廣，可推廣到風速預測、用電負荷預測和信號功率預測等多方面。后期需改進的地方：當存在某些特殊情況時，風電功率預測結(jié)果可能不準確，因此在接下來的改進方面應(yīng)加入多種因素，模擬真實環(huán)境建模（地理位置、朝向的角度、風力機的內(nèi)部構(gòu)造以及季度的影響等），從而為短期風電功率預測模型增加真實性和可靠性，方便電網(wǎng)的調(diào)度。

[參考文獻]

[1]孫榮富，張濤，和青，等.風電功率預測關(guān)鍵技術(shù)及應(yīng)用綜述[J].高電壓技術(shù)，2021，47（4）：1129-1143.

SUN R F，ZHANG T，HE Q，etal.Review on keytechnologies and applications in wind power forecasting[J].High voltage engineering，2021，47（4）：1129-1143.

[仲悟之]，李崇鋼，崔楊，等.考慮歷史相似性加權(quán)的超短期風電功率組合預測[J].太陽能學報，2022，43（6）：160-168.

ZHONG WZ，LICG，CUIY，etal.Combinedpredictionof ultra-short term wind power considering weightedhistorical similarity[J].Acta energiaesolaris sinica，2022，43（6）：160-168.

[3]王濤，高靖，王優(yōu)胤，等.基于改進經(jīng)驗模態(tài)分解和支持向量機的風電功率預測研究[J].電測與儀表，2021，58（6）：49-54.

WANG T，GAO J，WANG Y Y，etal.Windpowerprediction based on improved empirical modedecomposition and support vector machine [J].Electricalmeasurementamp;instrumentation，2021，58（6）：49-54

[4]WEI L M，XV S，LI B.Short-term wind power predictionusing an improved grey wolf optimization algorithm withback-propagation neural network[J].Clean energy，2022，6（2）：288-296.

[5]李大中，李穎宇.基于深度學習與誤差修正的超短期風電功率預測[J].太陽能學報，2021，42（12）：200-205.

LI D Z，LI Y Y.Ultra-short term wind power predictionbased on deep learning and error correction[J].Actaenergiaesolaris sinica，2021，42（12）：200-205.

[6]PENG XS，CHENG K，WANG B，etal.Short-term windpower prediction based on wavelet transform andconvolutional neural networks [C]//2020 IEEE/IASIndustrial and Commercial Power System Asia（Iamp;CPSAsia）.Weihai，China，2020：1244-1250.

[7]王夢陽，王華慶，董方，等.基于EVMD-LNMF的復合故障信號分離方法[J].振動與沖擊，2019，38（16）：146-152.

WANG M Y，WANG HQ，DONG F，etal.A method ofcompound fault signal separation based on EVMD-LNMF[J].Journal of vibration and shock，2019，38（16）：146-152.

[8]趙鐵成，謝麗蓉，葉家豪.基于誤差修正的NNA-ILSTM短期風電功率預測[J].智慧電力，2022，50（1）：29-36.

ZHAO T C，XIE L R，YE JH.NNA-ILSTM short termwind power prediction based on error correction[J].Smartpower，2022，50（1）：29-36.

[9]趙凌云，劉友波，沈曉東，等.基于CEEMDAN和改進時間卷積網(wǎng)絡(luò)的短期風電功率預測模型[J].電力系統(tǒng)保護與控制，2022，50（1）：42-50.

ZHAO LY，LIU Y B，SHENX D，etal.Short-term windpower prediction model based on CEEMDAN and animproved time convolutional network[J].Power systemprotection and control，2022，50（1）：42-50.

[10]劉棟，魏霞，王維慶，等.基于SSA-ELM的短期風電功率預測[J].智慧電力，2021，49（6）：53-59，123.

LIU D，WEI X，WANG WQ，etal.Short-term windpower prediction based on SSA-ELM[J].Smart power，2021，49（6）：53-59，123.

[11]葉家豪，魏霞，黃德啟，等.基于灰色關(guān)聯(lián)分析的BSO-ELM-AdaBoost風電功率短期預測[J].太陽能學報，2022，43（3）：426-432.

YE JH，WEIX，HUANG DQ，etal.Short-term forecastof wind power based on BSO-ELM-AdaBoost withgrey correlation analysis [J].Acta energiaesolaris sinica，2022，43（3）：426-432.

[12]WANG W Y，SUN D C.The improved AdaBoostalgorithms for imbalanced data classification[J].Informationsciences，2021，563：358-374.

[13]DRAGOMIRETSKIY K，ZOSSO D.Variationalmodedecomposition[J].IEEE transactions on signal processing，2014，62（3）：531-544.

[14]謝麗蓉，王斌，包洪印，等.基于EEMD-WOA-LSSVM的超短期風電功率預測[J].太陽能學報，2021，42（7）：290-296.

XIE LR，WANG B，BAO H Y，etal.Super-short-termwind power forecasting based on EEMD-WOA-LSSVM[J].Acta energiaesolaris sinica，2021，42（7）：290-296.

[15]ARORA S，SINGH S.Butterfly optimization algorithm：anovel approach for global optimization[J].Soft computing，2019，23（3）：715-734.

[16]王福忠，王帥峰，張麗.基于VMD-LSTM與誤差補償?shù)墓夥l(fā)電超短期功率預測[J].太陽能學報，2022，43（8）：96-103.

WANG FZ，WANG S F，ZHANG L.Ultra short termpower prediction of photovoltaic power generation based onVMD-LSTM and error compensation [J].Acta energiaesolaris sinica，2022，43（8）：96-103.

[17]高金蘭，王天.基于VMD-IWOA-LSSVM的短期負荷預測[J].吉林大學學報（信息科學版），2021，39（4）：430-438.

GAO JL，WANGT.Short-term load forecasting based onVMD-IWOA-LSSVM[J].Journal of Jilin University（information science edition），2021，39（4）：430-438.

[18]FREUND Y，SCHAPIRE R E.A decision-theoreticgeneralization of on-line learning and an application toboosting [J].Journal of computer and system sciences，1997，5（1）：119-139.

[19]周源，王時征，廖瑞金，等.基于AdaBoost優(yōu)化云理論的變壓器故障診斷方法[J].高電壓技術(shù)，2015，41（11）：3804-3811.

ZHOU Q，WANGSZ，LIAO R J，etal.Powertransformerfault diagnosis method based on cloud model of Ada Boostalgorithm[J].High voltage engineering，2015，41（11）：3804-3811.

[20]楊昭，張鋼，趙俊杰，等.基于變分模態(tài)分解和改進粒子群算法優(yōu)化最小二乘支持向量機的短期電價預測[J].電氣技術(shù)，2021，22（10）：11-16.

YANG Z，ZHANG G，ZHAO J J，etal.Shorttermelectricity price forecasting based on variational modedecomposition and improved particle swarm optimization-least square support vector machine[J].Electricalengineering，2021，22（10）：11-16.

SHORT-TERM WIND POWER PREDICTION BASED ONVMD-BOA-LSSVM-AdaBoost

Shi Pengzhen1，Wei Xia1，Zhang Chunmei2，Xie Lirong1，Ye Jiahao1，Yang Jialiang1

（1.School of Electrical Engineering，XinjiangUniversity，Urumqi 830046，China;

2.School of Mathematical Sciences，Beijing Normal University，Beijing 100875，China）

Abstract：Aiming at the intermittent，nonlinear，fluctuating，non-stationary and uncertain characteristics of wind power signals，theshort-term forecasting method for wind power is established，which is based on Variational mode decomposition（VMD）and butterlyoptimizationalgorithm（BOA）to optimize least squares support vector machine（LSSVM）and introducing adaptive corection to improveaccuracy.Firstly，the raw power signal data is splitted into multiple subsequences by using VMD.Secondly，BOA is used to optimizecombined prediction model of LSSVM to predict each subsequence.Finally，the prediction value of multiple components isreconstructed through AdaBoost to obtain the final prediction value.Combined with the wind power data provided by a wind farm inNorthwest China as an example，the effectiveness of the model is verified.The results show that the combined forecasting modelestablished above can predict the short-term wind power well and has a good forecasting accuracy.

Keywords：wind power prediction;LSSVM;VMD;AdaBoost;prediction accuracy