【论文】基于FCM和SSA_ELM的超短期风功率预测

qq_1537237806

针对风电输出功率波动大、随机性强等特征引起风功率难以预测的问题,提出了基于模糊C均值聚类（fuzzy C-means,FCM）选取相似日和樽海鞘群算法优化极限学习机（SSA–ELM）的风电场超短期风功率预测模型。首先,采用FCM数据聚类方法,筛选出与预测日相关性较大的历史相似日,将其风速、温度、风向、气压等影响风功率的主要因素组成多输入样本集合;其次,通过训练集在训练过程中确定网络参数,利用樽海鞘群算法在迭代过程中不断优化极限学习机的输入权值矩阵及隐含层偏差值,建立樽海鞘群算法优化极限学习机的超短期风功率预测模型;最后,根据超短期风电并网的相关规定,针对河南省某风电场的实际数据,分别从基于相似日超短期预测、具有代表性的四季预测和滚动误差3方面进行仿真实验,并与传统极限学习机（extreme learning machine,ELM）和BP神经网络模型进行对比分析,结果表明本文提出的模型收敛速度快,预测精度较高。证明了基于FCM和SSA–ELM的超短期风功率预测模型具有良好的追踪性和泛化性。