来源：期刊VIP网 时间：
作者：蒋锋;路畅;王辉;
单位：中南财经政法大学统计与数学学院;中国科学院武汉文献情报中心;中国科学院科技大数据湖北省重点实验室;
摘要：针对风电功率数据高波动性和间歇性的特点，文章提出了一种基于泊松噪声的互补集合经验模态分解（CEEMDPN）和改进的蛇优化算法（MSO）优化极限学习机的多因素混合学习方法。首先，利用CEEMDPN将风电功率序列分解为子序列；然后，引入曲线自适应调整参数改进蛇优化算法；最后，运用MSO优化的极限学习机（ELM）对每个子序列进行预测并集成。为了验证CEEMDPN-MSO-ELM模型的有效性，采用龙源电力集团的风电功率数据进行超短期预测，实证结果表明，CEEMDPN算法能够加强风电功率序列的主频率部分并提高分解精度，MSO算法能够很好地平衡算法的寻优速度与收敛精度，从而有效提升ELM模型的预测性能，所提模型的预测精度和稳健性均优于其他对比模型。
关键词：超短期风电功率预测;;互补集合经验模态分解;;蛇优化算法;;极限学习机
基金资助：教育部人文社会科学研究基金项目（22YJAZH038）;; 科技大数据湖北省重点实验室开放基金资助项目（E3KF291001;E3KF461001）
