基于SSA?VMD?INGO?RF的短期風(fēng)電功率預(yù)測

摘" 要： 為解決風(fēng)電功率輸出的不確定性、弱化電網(wǎng)波動以及電網(wǎng)的提質(zhì)增效等問題，提出一種基于變分模態(tài)分解（VMD）、Piecewise混沌映射、北方蒼鷹優(yōu)化（NGO）算法和隨機森林（RF）的組合模型。該模型采用麻雀搜索算法（SSA）對VMD核心參數(shù)（K值和懲罰系數(shù)α）進行尋優(yōu)，通過SSA?VMD將原始功率序列分解為多個有限帶寬的特征模態(tài)分量，以降低原始數(shù)據(jù)的復(fù)雜度和非平穩(wěn)性對預(yù)測精度的影響；然后，構(gòu)建模態(tài)分量并在改進的北方蒼鷹算法優(yōu)化隨機森林中進行預(yù)測；最后，將各分量預(yù)測結(jié)果疊加，得到最終預(yù)測值。以內(nèi)蒙古某風(fēng)電場的實測數(shù)據(jù)為研究對象，將所提組合模型與另外6種模型進行比較。結(jié)果表明，所設(shè)計模型預(yù)測結(jié)果平均絕對百分比誤差（MAPE）為1.734%，均方根誤差為0.068 MW，R2為0.992，證明了該模型的有效性。

關(guān)鍵詞： 短期風(fēng)電功率預(yù)測； 北方蒼鷹算法； Piecewise混沌映射； 隨機森林； 變分模態(tài)分解； 麻雀搜索算法

中圖分類號： TN919?34； TM614" " " " " " " " " "文獻標(biāo)識碼： A" " " " " " " " " " "文章編號： 1004?373X（2024）24?0088?09

Short?term wind power prediction based on SSA?VMD?INGO?RF

WANG Fanrong1， 2， MEI Tao1， 2， ZHANG Xudong1， WANG Yunhan1， XIAO Yue1

（1. College of Electrical and Electronic Engineering， Hubei University of Technology， Wuhan 430068， China;

2. Xiangyang Industrial Institute of Hubei University of Technology， Xiangyang 441100， China）

Abstract： In order to solve the uncertainty of wind power output， weaken the grid fluctuation as well as improve the quality and efficiency of the grid， a combined model based on variational mode decomposition （VMD）， Piecewise chaotic mapping， northern goshawk optimization （NGO） algorithm and random forest （RF） is proposed. In this model， the sparrow search algorithm （SSA） is used to optimize the core parameters of the VMD （K values and penalty coefficients α）， and the original power sequence is composed into multiple finite bandwidth characteristic modal components by means of SSA?VMD to reduce the complexity of the original data and the impact of non?stationarity on prediction accuracy. The modal components are constructed and predicted in an optimized RF using an improved NGO. The predicted results of each component are overlayed to obtain the final predicted value. With the measured data of a wind farm in Inner Mongolia， the proposed combined model is compared with the other 6 models. The results show that the designed mean absolute percentage error （MAPE） of the designed model prediction results is 1.734%， the root?mean?square error is 0.068 MW， and R2 is 0.992， which can prove the validity of this model.

Keywords： short?term wind power prediction; northern goshawk optimization algorithm; Piecewise chaotic mapping; random forest; variational modal decomposition; sparrow search algorithm

0" 引" 言

風(fēng)力是一種潔凈的可再生能源，在解決環(huán)保問題和能源危機方面具有不可替代的作用，其強烈的非平穩(wěn)性和間歇性影響著電網(wǎng)的平穩(wěn)運行，對發(fā)電效率以及電能質(zhì)量有一定的影響[1?2]。精準(zhǔn)的風(fēng)電功率預(yù)測技術(shù)有益于電力系統(tǒng)的穩(wěn)定運行與經(jīng)濟調(diào)度，使風(fēng)電場能夠制定更為科學(xué)與合理的控制策略，從而提高風(fēng)能的利用率[3?4]。

根據(jù)使用模型的角度劃分，預(yù)測方法一般可分為物理模型、統(tǒng)計模型和組合模型[5]。近些年，組合預(yù)測模型因其較高的精度逐步取代單一的預(yù)測模型成為主流的研究方向。

文獻[6?7]運用集成經(jīng)驗?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition， EEMD）將原始風(fēng)電功率數(shù)據(jù)進行分解重構(gòu)，并分別構(gòu)建了布谷鳥算法和鯨魚算法來優(yōu)化最小二乘支持向量機（Least Squares Support Vector Machine， LSSVM）參數(shù)。文獻[8]提出一種多重聚類與分層聚類的超短期風(fēng)電功率預(yù)測方法來處理功率和氣象的時間序列，并建立智能尋優(yōu)算法優(yōu)化BP神經(jīng)模型進行預(yù)測。文獻[9]在時間序列數(shù)據(jù)中加入時間窗口和金融因子來大幅提升未來數(shù)據(jù)預(yù)測的準(zhǔn)確性，并提出了基于極端梯度提升（Extreme Gradient Boosting， XGBoost）回歸樹擴展金融因子的超短期風(fēng)電功率預(yù)測方法。文獻[10]提出了基于天鷹優(yōu)化算法、隨機森林（Random Forest， RF）和非參數(shù)核密度估計的組合區(qū)間預(yù)測模型，克服了隨機森林模型預(yù)置參數(shù)依賴經(jīng)驗設(shè)定的不足。文獻[11]采用變分模態(tài)分解（Variational Mode Decomposition， VMD）將原始風(fēng)電功率時間序列分解后，引入改進的麻雀搜索算法（Sparrow Search Algorithm， SSA）優(yōu)化最小二乘支持向量機進行預(yù)測。文獻[12]采用改進的算術(shù)優(yōu)化算法（Arithmetic Optimization Algorithm， AOA）對VMD以及長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)的重要參數(shù)進行尋優(yōu)，有效提升了單一模型的預(yù)測精度。文獻[13]提出一種基于多階段優(yōu)化的變分模態(tài)分解和粒子群優(yōu)化算法的優(yōu)化支持向量回歸（Support Vector Regression， SVR）模型，可以實現(xiàn)短期功率預(yù)測。

本文將內(nèi)蒙古某實地風(fēng)電站在2020年4月6日—12日在線采集的風(fēng)力發(fā)電功率數(shù)據(jù)作為實驗數(shù)據(jù)，提出一種基于麻雀搜索算法優(yōu)化變分模態(tài)分解和引進改進的北方蒼鷹優(yōu)化（Improved Northern Goshawk Optimization， NGO）算法優(yōu)化隨機森林的短期風(fēng)電功率組合預(yù)測模型，并與其他預(yù)測模型進行對比，如RF、NGO?RF、VMD?RF、EMD?RF、EMD?NGO和SSA?VMD?PSO?RF等模型。最后通過實地風(fēng)電場風(fēng)機功率數(shù)據(jù)進行實驗驗證，證明組合模型具有較高的預(yù)測精度。

1" 原始風(fēng)電功率數(shù)據(jù)處理

1.1" 變分模態(tài)分解

變分模態(tài)分解的實質(zhì)是將原始序列分解為[K]個具有中心頻率的有限帶寬[14]，從而處理復(fù)雜度高和非線性強的時間序列，其中主要包括變分問題的構(gòu)造和求解。對應(yīng)的約束變分模型表達式如下：

[minuk，ωkk?tδ（t）+jπtuk（t）e-jωkt22s.t." kuk=f] （1）

引入增廣Lagrange函數(shù)求取約束變分問題的最優(yōu)解，公式如下：

[Luk，ωk，λ=αk?tδ（t）+jπtuk（t）e-jωkt22+" " f（t）-kuk（t）22+λ（t），f（t）-kuk（t）] （2）

式中：[α]為二次懲罰因子；[λ（t）]為Lagrange乘法算子。

求解[un+1k（ω）]、[ωn+1k]的更新表達式為：

[un+1k（ω）=f（ω）-i≠kui（ω）+λ（ω）21+2α（ω-ωk）2] （3）

[ωn+1k=0∞ωun+1k（ω）dω0∞un+1k（ω）dω] （4）

式中：[un+1k（ω）]為當(dāng)前余量[f（ω）-i≠kui（ω）]的Wiener濾波；[ωn+1k]為當(dāng)前模態(tài)函數(shù)功率譜的中心頻率。

1.2" 基于SSA優(yōu)化VMD的方法

麻雀搜索算法的提出是根據(jù)麻雀群的覓食與反捕食行為，其與鯨魚優(yōu)化算法（Whale Optimization Algorithm， WOA）、灰狼優(yōu)化（Grey Wolf Optimization，" "GWO）算法相比具有較強的穩(wěn)定性以及不依賴梯度信息的優(yōu)勢，在機器學(xué)習(xí)領(lǐng)域得到了廣泛的運用。

觀察者在隨機探索空間，其位置更新公式為：

[Xc+1i，j=Xci，j?exp-ia?T，R2lt;STXci，j+Q?L，" " " " " " R2≥ST] （5）

式中：[c]為當(dāng)前迭代次數(shù)；[Xci，j]為迭代第[c]次第[i]只麻雀的第[j]維位置；[T]為最大的迭代次數(shù)；[a]為[0，1]的隨機數(shù)；[R2]為預(yù)警值；[ST]為迭代目標(biāo)值；[L]為[1×d]階的單位矩陣；Q為服從正態(tài)分布的隨機數(shù)。

追隨者位置更新公式如下：

[Xc+1i，j=Q?expXcworst-Xci，ji2，" " igt;n2Xc+1best+Xci，j-Xc+1i，j?A+?L，otherwise] （6）

式中：[Xcworst]為迭代第[c]次時麻雀在第[j]維最劣覓食位置；[Xc+1best]為迭代到第[c+1]次時麻雀所在最優(yōu)覓食位置；[A+]為[1×d]的矩陣，每個元素都從-1～1中隨機選取，其滿足[A+=AT（AAT）-1]。

偵察者發(fā)現(xiàn)危險來臨時將離開當(dāng)前位置，移動到群體最佳位置附近，其位置更新公式為：

[Xci，j=Xcbest+βXci，j-Xcbest，" " " " " fi≠fgXci，j+K1Xci，j-Xcworst（fi-fw）+ε，" " fi=fg] （7）

式中：[β]用于控制步長，且服從于（0，1）的正態(tài)分布；[Xcbest]為迭代[c]次時全局最佳位置；[K1]表示[-1，1]的隨機數(shù)；[fi]、[fw]、[fg]分別表示目前個體的適應(yīng)度值、全局最差的適應(yīng)度值和全局最佳適應(yīng)度值；[ε]無限趨近于0，用于避免分母為0。

VMD分解過程中，其參數(shù)α和[K]的取值會很大程度上影響分解效果。僅憑經(jīng)驗選取2個參數(shù)極可能會使結(jié)果產(chǎn)生較大誤差。本文通過SSA優(yōu)化VMD參數(shù)[[K，α]]，以包絡(luò)熵為適應(yīng)度函數(shù)，使VMD算法更好地適應(yīng)不同類型的序列。

包絡(luò)熵[Ep]作為適應(yīng)度函數(shù)，其公式[15]為：

[Ep=-j=1mpjlgpjpj=a（j）j=1ma（j）a（j）=[x（j）]2+H[x（j）]2] （8）

式中：[a（j）]表示信號[x（j）]通過Hilbert調(diào)解所得包絡(luò)信號序列，[j=1，2，…，m]；[H]表示信號的[Hilbert]變換；[pj]為[a（j）]歸一化后的形式。

SSA?VMD參數(shù)尋優(yōu)流程見圖1。

2" 基于VMD?INGO?RF的風(fēng)電功率預(yù)測模型

2.1" 北方蒼鷹優(yōu)化算法及其改進

2.1.1" 北方蒼鷹優(yōu)化算法

北方蒼鷹優(yōu)化算法（NGO）是模擬北方蒼鷹捕殺獵物時的行為而提出的優(yōu)化算法，具有卓越的尋優(yōu)準(zhǔn)確度和穩(wěn)定性。算法步驟[16]如下。

1） 種群初始化階段，種群在空間中隨機初始化位置，表示為：

[A=A1?Ai?AN=a1，1…a1，j…a1，M?????ai，1…ai，j…ai，M?????aN，1…aN，j…aN，M] （9）

式中：[A]為蒼鷹種群矩陣；[ai，j]為第[i]只蒼鷹的第[j]維位置；[N]為蒼鷹種群數(shù)量；[M]為求解問題時的維度。

適應(yīng)度函數(shù)[F]用向量表示為：

[F=F1?Fi?FN=F（X1）?F（Xi）?F（XN）] （10）

式中：[F]為蒼鷹種群的目標(biāo)函數(shù)向量；[Fi]為第[i]只蒼鷹的目標(biāo)函數(shù)值。

2） 狩獵階段一，獵物探索與識別，其數(shù)學(xué)模型為：

[Bi=Ad，" i=1，2，…，N;d=1，2，…，i-1，i+1，…，N] （11）

[anew，B1i，j=ai，j+r（pi，j-Iai，j），" FBilt;Fiai，j+r（ai，j-bi，j），" " FBi≥Fi] （12）

[Ai=Anew，B1i，" " Fnew，B1ilt;FiXi，" " " " " Fnew，B1i≥Fi] （13）

式中：[Bi]是第[i]只蒼鷹捕食的位置；[FBi]是其目標(biāo)函數(shù)值；[Anew，B1i]是獵物識別更新后第[i]只蒼鷹新位置；[anew，B1i，j]為更新后第[i]只蒼鷹第[j]維的新位置；[Fnew，B1i]是第一階段的目標(biāo)函數(shù)值；[r]是[0，1]內(nèi)的隨機數(shù)；[I]的值取1或2。

3） 狩獵階段二，追捕與逃生，其數(shù)學(xué)模型為：

[anew，B2i，j=ai，j+W（2r-1）ai，j] （14）

[W=0.021-tT] （15）

[Ai=Anew，B2i，" " Fnew，B2ilt;FiXi，" " " " " Fnew，B2i≥Fi] （16）

式中：[t]為迭代次數(shù)；[T]為最大迭代次數(shù)；[Anew，B2i]是追捕獵物和獵物逃生階段更新后第[i]只蒼鷹新位置；[anew，B2i，j]是追捕獵物和獵物逃生階段更新后第[i]只蒼鷹的第[j]維新位置；[Fnew，B2i]是基于NGO第二階段的目標(biāo)函數(shù)值。

2.1.2" 北方蒼鷹優(yōu)化算法的改進

針對北方蒼鷹優(yōu)化算法易陷入局部最優(yōu)、過早收斂等問題，提出一種Piecewise混沌映射策略生成混沌初始化種群，增強初始種群分布的均勻性，以此提高算法在尋優(yōu)過程中的效率[17]。北方蒼鷹優(yōu)化算法函數(shù)定義為：

[xk+1=xkp，" xk∈[0，p）xk-p0.5-p，" xk∈[p，0.5）1-p-xk0.5-p，" xk∈[0.5，1-p）1-xkp，" xk∈[1-p，1]] （17）

式中：[p]為控制參數(shù)，[p]取0.4；[xk]為[0，1]之間的隨機數(shù)。

為進一步驗證Piecewise混沌策略的性能，與Logistic混沌策略進行對比。設(shè)置兩種混沌映射的迭代次數(shù)為1 000次，Logistic混沌狀態(tài)與[r]的取值有關(guān)，只有當(dāng)[3.57lt;r≤4]時，Logistic映射才具有較好的混沌性質(zhì)，本文[r]取4。其函數(shù)定義為：

[xn+1=xnr（1-xn），" r∈[0，4]，xn∈（0，1）] （18）

Logistic混沌映射和Piecewise混沌映射在相同初始條件下的混沌序列分布如圖2所示。

混沌映射混沌序列分布

由圖2可知，在相同迭代次數(shù)條件下，Piecewise映射出的混沌值頻數(shù)分布更為均勻，將其應(yīng)用于改進的北方蒼鷹算法中能有效提高算法搜索能力，增加其收斂速度。

2.2" 隨機森林

隨機森林（RF）算法是在Bagging方法基礎(chǔ)之上改良的集成學(xué)習(xí)算法，RF模型框架如圖3所示，其主要優(yōu)勢是抗噪能力強、可并行化處理減少訓(xùn)練時間、易于處理較高維數(shù)值的分類和預(yù)測問題[10]。隨機森林算法的數(shù)學(xué)表達式為：

[f（x）=m=1UcmI（x∈Rm）] （19）

式中：[U]為回歸樹子集數(shù)；[cm]為子集中樣本的響應(yīng)均值；[Rm]為每個子集；[I]（[x∈Rm]）為示性函數(shù)（當(dāng)[x∈Rm]時取1，反之取0）。RF是由很多個相互獨立的回歸樹模型組成的，模型表達式為：

[fRF（x）=1Ri=1Rh（x，ai）] （20）

式中：[R]表示回歸樹的數(shù)量；[h（x，ai）]為單個回歸樹；[fRF（x）]為預(yù)測值的輸出。

2.3" 基于INGO優(yōu)化RF的方法

RF預(yù)測性能受到?jīng)Q策樹數(shù)目R和最大葉子節(jié)點數(shù)L的影響，本文采用INGO算法對RF關(guān)鍵參數(shù)進行尋優(yōu)，得到RF最優(yōu)參數(shù)組合[R，L]，其優(yōu)化具體過程如下。

1） 設(shè)置最大迭代次數(shù)[T]、北方蒼鷹總?cè)簲?shù)[N]、種群維度[d]以及搜索上下邊界值[[bu，bl]]。

2） 計算北方蒼鷹個體適應(yīng)度值，將訓(xùn)練集中預(yù)測值與實際值的均方根誤差（Root Mean Square Error， RMSE）作為優(yōu)化目標(biāo)函數(shù)，利用改進的算法混沌策略初始化北方蒼鷹初始位置，并計算每只北方蒼鷹位置的目標(biāo)函數(shù)值，選擇其最小值作為當(dāng)前種群的最優(yōu)解。

3） 更新北方蒼鷹個體適應(yīng)度值，根據(jù)式（11）隨機選擇獵物，使用式（12）計算第[j]維的新狀態(tài)，若[j]與M相等，則使用式（13）更新種群成員，使用式（14）、式（15）計算更新后第[i]只蒼鷹新位置。然后再次判斷[j]與M是否相等，若相等則使用式（16）更新第[i]只蒼鷹新位置。若[i]與N相等，則保存當(dāng)前最佳方案，此時若達到最大迭代次數(shù)，將輸出最優(yōu)解，反之則返回階段一繼續(xù)循環(huán)。

4） 將得到的最優(yōu)解輸入到RF模型。

INGO優(yōu)化RF的流程如圖4所示。

2.4" 建立VMD?INGO?RF預(yù)測模型

基于VMD?INGO?RF超短期風(fēng)電功率模型預(yù)測步驟如下。

1） 需要對風(fēng)力發(fā)電功率的原始數(shù)據(jù)進行預(yù)處理，在此過程中，將異常數(shù)據(jù)進行修正和替換。同時，為了進行模型的訓(xùn)練和測試，還需將數(shù)據(jù)按照一定比例劃分。

2） 利用VMD對數(shù)據(jù)進行分解，得到頻段不同的各模態(tài)子序列。

3） 利用INGO算法對RF的參數(shù)進行尋優(yōu)，分別建立INGO?RF預(yù)測模型。

4） 將各子序列預(yù)測模型結(jié)果反歸一化并疊加重構(gòu)，輸出最終預(yù)測結(jié)果。

VMD?INGO?RF預(yù)測模型流程如圖5所示。

2.5" 評價指標(biāo)

選用平均絕對百分比誤差（Mean Absolute Percentage Error， MAPE）、均方根誤差（RMSE）和[R2]作為預(yù)測模型評價指標(biāo)[18]，計算公式分別為：

[EMAPE=1ni=1nyi-y'iyi×100%ERMSE=1ni=1nyi-y'i2R2=1-i=1n（yi-y'i）2i=1n（yi-y）2] （21）

式中：[y'i]、[yi]分別為第[i]個樣本點的預(yù)測值與實際值；[n]為采樣點總數(shù)。

3" 算例分析

3.1" 數(shù)據(jù)劃分

選用內(nèi)蒙古某實地風(fēng)電站在2020年4月6日—12日在線采集的1 000組風(fēng)力發(fā)電功率數(shù)據(jù)作為實驗數(shù)據(jù)，時序數(shù)據(jù)為等間隔采樣，采樣間隔為10 min，每天總計采集144個樣本點，原始功率時間序列如圖6所示。

將總數(shù)據(jù)集的80%作為訓(xùn)練集，20%作為測試集，滑動窗口步長設(shè)置為10。因此，用于訓(xùn)練數(shù)據(jù)共有792組，測試集共有198組，數(shù)據(jù)劃分滑動窗口如圖7所示。

圖7中：X_train表示用于訓(xùn)練集的輸入；Y_train表示訓(xùn)練集的輸出；X_test表示測試集的輸入；Y_test表示測試集的輸出。

3.2" 風(fēng)電功率數(shù)據(jù)VMD分解

為驗證本文所提方法的有效性，將經(jīng)驗?zāi)B(tài)分解（Empirical Mode Decomposition， EMD）與VMD進行對比分析。EMD對原始功率分解后的分量與頻譜結(jié)果如圖8所示。

由圖8b）可知，EMD分解過程中出現(xiàn)了較為嚴(yán)重的模態(tài)混疊和端點效應(yīng)，會導(dǎo)致預(yù)測的準(zhǔn)確性下降。因此，將構(gòu)建SSA?VMD模型優(yōu)化該缺陷。將SSA種群數(shù)設(shè)為10，最大迭代次數(shù)為50，通過尋優(yōu)得到最小適應(yīng)度值[Ep]為6.602 2，對應(yīng)VMD的最佳[α]參數(shù)為522，最優(yōu)[K]值為5。SSA?VMD對原始功率分解后的分量結(jié)果如圖9所示。

由圖9可以看出，利用最優(yōu)參數(shù)將風(fēng)電功率模態(tài)分解為IMF1、IMF2低頻高幅成分和IMF3、IMF4、IMF5規(guī)律性較強的高頻低幅成分，很好地將原始數(shù)據(jù)中影響功率變化的因素提取出來。其中IMF1為主導(dǎo)分量，它能有效表征風(fēng)電功率的整體趨勢，其分解曲線與包絡(luò)線高度吻合，說明模態(tài)分解效果較好；其他各分量具有不同頻率，但整體上表現(xiàn)出一定的規(guī)律性。VMD對原始功率分解后的分量頻譜結(jié)果如圖10所示。

通過對比圖8b）和圖10觀察到，在EMD分解過程中存在嚴(yán)重的模態(tài)混疊現(xiàn)象，然而經(jīng)優(yōu)化的VMD分解后得到的子序列并沒有明顯的模態(tài)混疊現(xiàn)象，且VMD分解得到的IMF3、IMF4、IMF5分量變化更具有規(guī)律性。由此說明以SSA?VMD建立的數(shù)據(jù)集訓(xùn)練模型具有更好的預(yù)測效果。

3.3" 預(yù)測結(jié)果分析

將RF分別與EMD、VMD、NGO、EMD?NGO、SSA?VMD?PSO、SSA?VMD?INGO結(jié)合，組成7種預(yù)測模型對比分析。其中輸入?yún)?shù)均保持一致，設(shè)置北方蒼鷹種群數(shù)量為10，設(shè)置最大迭代次數(shù)為100次。INGO算法在收斂速度上有較大的提升，尋優(yōu)得到最小適應(yīng)度值為0.015 1，此時得到最優(yōu)參數(shù)作為RF模型的輸入?yún)?shù)，即決策樹數(shù)目[Rtress]為22，最大葉子節(jié)點數(shù)[leaf]為9。

利用以上參數(shù)建立RF預(yù)測模型，不同模型功率預(yù)測結(jié)果如圖11所示。

由圖11可知，SSA?VMD?INGO?RF與RF、NGO?RF、EMD?RF、EMD?NGO?RF、VMD?RF、SSA?VMD?PSO模型相比更接近實際值。為進一步可視化各預(yù)測模型精度，繪制如圖12所示的不同模型預(yù)測誤差箱線圖。

圖12中箱體的厚度反映了預(yù)測誤差的波動程度，上下邊緣表示該組誤差最大值、最小值，中間值為誤差均值，箱體外的散點表示誤差的異常值分布。

由圖12可知：RF、NGO?RF、EMD?RF、EMD?NGO?RF、VMD?RF模型的預(yù)測誤差較為分散，波動較大；SSA?VMD?PSO?RF、SSA?VMD?INGO?RF模型的誤差最為集中，SSA?VMD?PSO?RF模型上邊緣為0.166 MW，下邊緣為0.108 MW；SSA?VMD?INGO?RF模型上邊緣為0.145 MW，下邊緣為0.099 MW，均值分別為0.025 MW和0.023 MW，SSA?VMD?INGO?RF優(yōu)于SSA?VMD?PSO?RF模型，其均值與0最接近。進一步采用MAPE、RMSE和R2指標(biāo)對模型預(yù)測效果進行評價，誤差指標(biāo)對比結(jié)果如表1所示。

由表1可知：EMD?RF和EMD?NGO?RF兩組基于EMD的組合預(yù)測模型MAPE分別為10.045%、7.700%；與VMD?RF和SSA?VMD?PSO?RF兩組基于VMD的組合預(yù)測模型MAPE相比減少了7.578%、5.886%；SSA?VMD?INGO?RF預(yù)測模型的MAPE和RMSE分別為1.734%和0.068 MW，R2為0.992，相較于其他6組模型預(yù)測誤差最小，擬合程度最高。

綜上，本文提出的SSA?VMD?INGO?RF預(yù)測模型能夠較好地預(yù)測短期風(fēng)電功率，具有較高的預(yù)測精度，在風(fēng)電功率預(yù)測方面有一定的參考價值。

4" 結(jié)" 論

本文針對風(fēng)力發(fā)電領(lǐng)域提出一種基于SSA優(yōu)化VMD重要參數(shù)的分解技術(shù)，結(jié)合改進后的北方蒼鷹優(yōu)化算法優(yōu)化隨機森林的學(xué)習(xí)參數(shù)模型，得出以下結(jié)論。

1） 使用SSA優(yōu)化后的VMD分解處理有效克服原始數(shù)據(jù)非平穩(wěn)、波動性和捕捉困難問題，預(yù)測精度得到了有效的提升。

2） 本文針對傳統(tǒng)NGO易陷入局部最優(yōu)的問題，引入Piecewise混沌映射策略，解決了傳統(tǒng)北方蒼鷹優(yōu)化算法在搜索過程中盲目性較大的問題，有效提高了收斂速度以及運算效率。

3） 通過對風(fēng)電功率進行預(yù)測仿真實驗，證明了本文SSA?VMD?INGO?RF模型的有效性，為電網(wǎng)安全運行以及調(diào)度決策提供了可行的參考方案。

注：本文通訊作者為梅濤。

參考文獻

[1] 孫榮富，張濤，和青，等.風(fēng)電功率預(yù)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.

[2] 武煜昊，王永生，徐昊，等.風(fēng)電輸出功率預(yù)測技術(shù)研究綜述[J].計算機科學(xué)與探索，2022，16（12）：2653?2677.

[3] YAKOUB G， MATHEW S， LEAL J. Intelligent estimation of wind farm performance with direct and indirect point forecasting approaches integrating several NWP models [J]. Energy， 2023， 263： 12893.

[4] 葛暢，閻潔，劉永前，等.海上風(fēng)電場運行控制維護關(guān)鍵技術(shù)綜述[J].中國電機工程學(xué)報，2022，42（12）：4278?4292.

[5] 唐新姿，顧能偉，黃軒晴，等.風(fēng)電功率短期預(yù)測技術(shù)研究進展[J].機械工程學(xué)報，2022，58（12）：213?236.

[6] 姜貴敏，陳志軍，李笑竹，等.基于EEMD?ACS?LSSVM的短期風(fēng)電功率預(yù)測[J].太陽能學(xué)報，2020，41（5）：77?84.

[7] 謝麗蓉，王斌，包洪印，等.基于EEMD?WOA?LSSVM的超短期風(fēng)電功率預(yù)測[J].太陽能學(xué)報，2021，42（7）：290?296.

[8] 彭晨宇，陳寧，高丙團.結(jié)合多重聚類和分層聚類的超短期風(fēng)電功率預(yù)測方法[J].電力系統(tǒng)自動化，2020，44（2）：173?180.

[9] 王永生，關(guān)世杰，劉利民，等.基于XGBoost擴展金融因子的風(fēng)電功率預(yù)測方法[J].浙江大學(xué)學(xué)報（工學(xué)版），2023，57（5）：1038?1049.

[10] 陳申，葉小嶺，熊雄，等.基于天鷹優(yōu)化算法的短期風(fēng)電功率區(qū)間預(yù)測[J].重慶理工大學(xué)學(xué)報（自然科學(xué)），2023，37（4）：304?314.

[11] 王維高，魏云冰，滕旭東.基于VMD?SSA?LSSVM的短期風(fēng)電預(yù)測[J].太陽能學(xué)報，2023，44（3）：204?211.

[12] 肖烈禧，張玉，周輝，等.基于IAOA?VMD?LSTM的超短期風(fēng)電功率預(yù)測[J].太陽能學(xué)報，2023，44（11）：239?246.

[13] 李文武，石強，李丹，等.基于VMD和PSO?SVR的短期電力負(fù)荷多階段優(yōu)化預(yù)測[J].中國電力，2022，55（8）：171?177.

[14] 韋權(quán)，湯占軍.基于SSA?VMD?SE?KELM結(jié)合蒙特卡洛法的風(fēng)電功率區(qū)間預(yù)測[J].智慧電力，2022，50（9）：59?66.

[15] 劉強，趙榮珍，楊澤本.K?VMD融合包絡(luò)熵與SVM滾動軸承故障識別方法研究[J].噪聲與振動控制，2022，42（3）：92?97.

[16] 劉偉琪，陳波.NGO?GPR與投影尋蹤聯(lián)合驅(qū)動的大壩變形預(yù)測模型[J].水力發(fā)電學(xué)報，2023，42（4）：126?136.

[17] 馮增喜，何鑫，崔巍，等.混合隨機反向?qū)W習(xí)和高斯變異的混沌松鼠搜索算法[J].計算機集成制造系統(tǒng)，2023，29（2）：604?615.

[18] 黃玲，李林霞，程瑜，等.基于SAM?WGAN?GP的短期風(fēng)電功率預(yù)測[J].太陽能學(xué)報，2023，44（4）：180?188.

[19] 劉昱辰，許傲然，谷彩連，等.基于LSTM?GRU?FCN模型的風(fēng)電功率短期多步預(yù)測研究[J]. 沈陽工程學(xué)院學(xué)報（自然科學(xué)版），2023，19（4）：40?45.

[20] 駱釗，吳諭侯，朱家祥，等.基于多尺度時間序列塊自編碼Transformer神經(jīng)網(wǎng)絡(luò)模型的風(fēng)電超短期功率預(yù)測[J].電網(wǎng)技術(shù)，2023，47（9）：3527?3537.

[21] 綦方中，卓可翔，曹柬.基于多層語義融合注意力機制的短期風(fēng)電功率概率密度預(yù)測方法[J].太陽能學(xué)報，2022，43 （11）：140?147.

作者簡介：汪繁榮（1979—），男，湖北天門人，博士研究生，副教授，研究方向為工業(yè)大數(shù)據(jù)、負(fù)荷分解與電網(wǎng)控制。

梅" 濤（2000—），男，湖北武漢人，碩士研究生，研究方向為風(fēng)力發(fā)電功率預(yù)測。

張旭東（2000—），男，湖北十堰人，碩士研究生，研究方向為風(fēng)電功率預(yù)測。

汪筠涵（2000—），女，湖北襄陽人，碩士研究生，研究方向為電網(wǎng)控制、故障診斷。

肖" 悅（2001—），女，湖北仙桃人，碩士研究生，研究方向為微電網(wǎng)低壓側(cè)并網(wǎng)數(shù)據(jù)智能分析。