基于CEEMDAN-FE-KELM方法的短期风电功率预测

来源：信息与控制杂志2016年第2期北京时间：

作者：李军, 李大超

摘要：针对短期风电功率预测，提出一种基于自适应噪声完整集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN）-模糊熵（FE）的核极限学习机（extreme learning machine with kernels，KELM）组合预测方法．CEEMDAN方法在信号分解的每一阶段都添加特定的白噪声，通过计算唯一的余量信号以获取各个模态分量，与EEMD（ensemble empirical mode decomposition）方法相比，其分解过程是完整的．为降低信号非平稳性对预测精度的影响及减少计算规模，采用CEEMDAN-模糊熵（FE）方法将信号分解为具有不同复杂度差异的子序列，然后分别构建相应的KELM预测模型，最后对预测结果进行合成．将CEEMDAN-FE-KELM方法应用于某地区的短期风电功率预测，在同等条件下，与单一的KELM方法及KELM的组合预测方法进行实验对比，结果证明该方法更有效．

关键词：集成经验模态分解, 核极限学习机, 模糊熵, 组合方法, 风电功率预测