基于EEMD近似熵和储备池的风电功率混沌时间序列预测模型张学清.doc

------------------------------------------------------------------------------------------------ —————————————————————————————————————— 基于EEMD_近似熵和储备池的风电功率混沌时间序列预测模型_张学清 物理学报ActaPhys.Sin.Vol.62,No.5(2013)050505 基于EEMD-近似熵和储备池的风电功率 混沌时间序列预测模型* 张学清1)?梁军1)2) 1)(山东大学电气工程学院,济南250061) 2)(电网智能化调度与控制教育部重点实验室(山东大学),济南250061) (2012年8月20日收到;2012年10月30日收到修改稿) 针对风电功率时间序列的混沌特性,提出了一种基于集成经验模态分解(ensembleempiricalmodedecomposition,EEMD)-近似熵和回声状态网络(echostatenetwork,ESN)的风电功率混沌时间序列组合预测模型.首先为降低对风电功率局部分析的计算规模以及提高预测的准确性,利用EEMD-近似熵将风电功率时间序列分解为一系列复杂度差异明显的风电子序列;然后对各子序列分别建立ESN、经过高频分量正则化改进的EEMD-ESN模型和最小二乘支持向量机预测模型;最后以某一风电场实际采集的数据为算例,仿真结果表明EEMD-ESN模型在训练速度和预测精度上优于最小二乘支持向量机模型,为实现风电功率短期预测的在线工程应用提供了新的有益参考.关键词:混沌时间序列,风电预测,集成经验模态分解,近似熵 PACS:05.45.Tp,88.50.MpDOI:10.7498/aps.62.050505 风电预测领域得到推广.文献[13]提出了经验模 1引言 风电作为一种清洁的可再生资源,其开发和应 用日益得到广泛的关注.但风电具有间歇性和波动 性,其大规模的接入电网必将对电网的经济运行产 生影响.而对风电输出功率进行准确的预测,不但 可以提高电网接纳风电的能力,而且还可以减轻风 电接入对电网的影响,提高电网运行的经济性[1?4]. 目前对风电功率进行短期预测主要包括两种 方法,一种是物理的方法[5],态分解(empiricalmodedecomposition,EMD)与支持向量机的短期风电功率组合预测模型,通过与单一预测模型进行对比分析,验证了组合预测模型具有更高的预测精度.近年来,神经网络和SVM理论[14,15]在风电混沌时间序列预测中得到了广泛的应用,但是传统的神经网络如BP神经网络以及较传统神经网络具有更高泛化能力的SVM都因为存在学习训练速度慢等问题制约了其广泛的应用.文献[16]在SVM理论的基础上提出了最小二乘支持向量机(leastsquaressupportvectormachine, LSSVM)理论,其把标准SVM二次规划学习训练 问题转化为求解一组线性方程组问题,极大得提高 了运算速度.但是LSSVM[17?19]跟SVM一样仍需 要核函数理论且须满足Mercer定理,同时其一般 不具有记忆能力,限制了其在混沌序列预测中的 应用[20].另一种是统计的方法[6,7].文献[8]通过分析风电功率时间序列的最大Lyapunov指数,揭示了风电功率时间序列具有明显的混沌特性,并利用经加权马尔科夫链校正的Volterra滤波器法进行多步预测,取得了较好的结果.由于风电功率时间序列具有明显的非线性和非平稳性,非线性时间序列的研究方法[9?12]逐渐在 *国家自然科学基金(批准号和山东省自然科学基金(批准号:ZR2010EM055)资助的课题. ?通讯作者.E-mail:zxqc2013中国物理学会?ChinesePhysicalSociety050505-1 物理学报ActaPhys.Sin.Vol.62,No.5(2013)050505 2004年,Jaeger发表了关于储备池(Reservoir)的报道后,其立刻引起了国内外学者的广泛关注[21].储备池作为一种新型的递归神经网络结构,是回声状态网络(echostatenetwork,ESN)的主要组成部分,在稳定性和网络训练方面都优于传统神经网络,已经在水文等领域的混沌时间序列预测取得了很好的应用效果.但是由于ESN在某些条件下训练过程中状态自相关矩阵易出现奇异,近几年提出了通过加入随机噪声以及正则项等方法克服ESN状