来源：期刊VIP网 时间：
作者：王瑞;李虹锐;逯静;卜旭辉;
单位：河南理工大学计算机科学与技术学院;河南理工大学电气工程与自动化学院;
摘要：目的 为了减小风电功率并入国家电网时产生的频率波动，提高风电功率预测精度，方法提出一种结合变分模态分解（VMD）、改进灰狼算法（LILGWO）和最小二乘支持向量机（LSSVM）的风电功率短期预测方法。首先通过VMD方法将风电功率序列分解重构成3个复杂程度性不同的模态分量，降低风电功率的波动性；其次使用LSSVM挖掘各分量的特征信息，对各分量分别进行预测，针对LSSVM模型中重要参数的选取对预测精度影响较大问题，引入LILGWO对参数进行寻优；最后将各分量预测结果叠加重构，得到最终预测风电功率。结果以宁夏回族自治区某地区风电站实际数据为例，对未来三天分别进行预测取平均值，本文方法的预测平均绝对误差（mean absolute error,MAE）为2.706 8 kW，均方根误差（root mean square error,RMSE）为2.021 1，拟合程度决定系数（R-Square,R2）为0.976 9，与对比方法3～6相比，RMSE分别降低了40.93%,25.21%,14.7%,6.24%;MAE分别降低了42.34%,28.04%,16.97%,7.77%;R2分别提升了4.21%,1.78%,0.82%,0.28%。预测时长方面，BP和LSSVM平均训练时间分别是10,138 s，虽然LSSVM预测时间较长但效果最好，采用PSO、GWO、LILGWO对LSSVM进行寻优后训练时间分别平均缩短了39,44,58 s。结论 仿真验证了所提方法在短期风电功率预测方面的有效性。
关键词：风电功率;;短期预测;;变分模态分解;;近似熵;;改进灰狼算法;;最小二乘支持向
基金资助：国家自然科学基金资助项目（U1804147）;; 河南省科技攻关项目（222102210120）
