基於經驗模態分解法優化支持向量機模型的日前風電功率組合預測檢視原始碼討論檢視歷史

來自 搜狐網 的圖片

基於經驗模態分解法優化支持向量機模型的日前風電功率組合預測針對風電場日前風電出力預測問題，應用一種基於經驗模態分解法優化支持向量機的算法的短期風電功率組合預測方法。

一、案例簡介

針對風電場日前風電出力預測問題，應用一種基於經驗模態分解法優化支持向量機的算法的短期風電功率組合預測方法。首先採用經驗模態分解法將歷史風電功率數據分解為一系列相對平穩的分量序列，以減少不同特徵信息間的相互影響，然後採用優化的支持向量機法對所分解的各分量序列分別建立預測模型，針對各分量自身特點選用不同的核函數和參數以取得單個分量的最佳預測精度，最後把各個分量的預測結果疊加，形成風電功率的最終預測值。算例表明，與其他單一預測方法相比，本項目使用的組合算法預測精度更高。

二、技術要點

本項目採用經驗模態分解（empirical mode decomposition, EMD）對數據進行不同特徵尺度的分解，針對分解 出的每一個分量分別建立預測模型，並用布穀鳥優化的算法分別尋找 SVM 的自適應參數，最後把各預測結果疊加作為最終預測值，以提高預測精度。

三、應用場景

風電場

四、應用成效

風電功率最為顯著的特性就是間歇性和隨機波 動性，容易產生較大的預測誤差，為了提高預測精度，本項目應用基於經驗模態分解和優化 SVM 的組合預測方法，得到結論如下，由於 EMD 法具有處理非線性非平穩數據的優越性，分解出的風電功率數據中包含了真實存在 的相同尺度波動或趨勢量，將強隨機性的風電功率數據分解為一系列具有一定規律的平穩序列，更容易獲取風電功率的規律，使其具有更強的預測性。針對 EMD 後的各個分量建立預測模型，模型自動設定懲罰因子參數和核函數，得到的預測值進行疊加得到最終的風電功率預測值，從而使得現階段原始數據的平穩化，從根本上實現風電功率基礎變化規律更好的跟蹤，有效提高日前風電功率預測精度。