摘? 要：風電在電網(wǎng)系統(tǒng)中的成功整合與應用需要風電機組或風電場產(chǎn)生的風電信息，又因為風速具有不可預測性、間歇性和非線性等特性，所以準確預測非常具有挑戰(zhàn)性。因此，本文提出了一種基于互補經(jīng)驗模態(tài)分解（CEEMD）與CSO優(yōu)化神經(jīng)網(wǎng)絡預測模型相結合的短期風速預測的新方法，來達到更優(yōu)的預測效果。在本文中，CEEMD用于將風速數(shù)據(jù)分解為多個固有模態(tài)函數(shù)（IMFs）來進行預測;然后對所有分量建立縱橫交叉算法優(yōu)化極限學習機（CSO-ELM）的預測模型;最后疊加所有序列的預測值作為最終的預測結果。本文對荷蘭某風電場的實測小時風速數(shù)據(jù)集進行大量實驗得出結果，來驗證所提方法的有效性。

關鍵詞：互補經(jīng)驗模態(tài)分解;縱橫交叉算法;極限學習機;風速預測

中圖分類號：TM614;TP18? ? ? 文獻標識碼：A 文章編號：2096-4706（2019）20-0012-04

Abstract：Successful integration and application of wind power in power system requires wind power information generated by wind turbines or wind farms. Because wind speed is unpredictable，intermittent and non-linear，accurate prediction is very challenging. Therefore，a new short-term wind speed prediction method based on CEEMD and CSO optimization neural network prediction model is proposed to achieve better prediction results. In this paper，CEEMD is used to decompose wind speed data into multiple intrinsic modal functions （IMFs） for prediction;then a prediction model of CSO-ELM is established for all components;finally，the prediction values of all sequences are superimposed as the final prediction results. In this paper，a large number of experiments are carried out on the measured hourly wind speed data set of a wind farm in the Netherlands to verify the effectiveness of the proposed method.

Keywords：complementary ensemble empirical mode decomposition;crisscross optimization algorithm;extreme learning machine;wind speed forecasting

0? 引? 言

近年來，社會對全球氣候形勢急劇惡化的擔憂日益增加。世界上許多國家和城市已經(jīng)開始從傳統(tǒng)能源轉(zhuǎn)向可再生能源生產(chǎn)。在所有可再生能源中，風能已成為世界上最受關注并且發(fā)展最快的增長點之一。風能的巨大增長也為風能成功并入傳統(tǒng)電網(wǎng)帶來了嚴峻的挑戰(zhàn)。具體而言，由于風速的間歇性和不可預測性，風力發(fā)電廠產(chǎn)生的電力會產(chǎn)生波動和變化，在傳統(tǒng)的配電系統(tǒng)中，電力的供需必須始終保持一致，這會導致風力發(fā)電難以集成到現(xiàn)有的電力系統(tǒng)中[1]。因此，一個包含這種波動風電的電力系統(tǒng)必須找到一種平衡供需之間的方式[2，3]。

由于風速固有的非線性和非平穩(wěn)性，通過線性時間序列模型預測風速有其局限性;線性時間序列模型（如ARMA）僅適用于線性時間序列數(shù)據(jù)[4]，這些限制促使研究人員將非線性計算智能模型（如ANN）用于短期風速預測任務[5]，基于人工神經(jīng)網(wǎng)絡的預測方法已被證明明顯優(yōu)于標準線性模型[6]。最近，使用不同方法或模型的組合來進行短期風速預測的趨勢在逐漸增加，這類方法被稱為混合風速預測方法。

基于小波變換的方法已被廣泛應用于混合風速預測，但基于小波變換的方法中的基函數(shù)是預定義和靜態(tài)的，因此導致許多研究人員需要使用其他數(shù)據(jù)分解方法，如用于風速預測的經(jīng)驗模態(tài)分解（EMD）。雖然基于EMD的混合方法已被證明在短期風速預測中表現(xiàn)良好，但EMD算法的缺點限制了其性能。例如，EMD容易出現(xiàn)模式混合問題，這導致單一模式/規(guī)模表現(xiàn)為多個固有模態(tài)函數(shù)（IMF）中或多個模式表現(xiàn)在單個IMF中，從而限制了混合預測方法的有效性。

因此，本文提出一種基于可變模式分解（VMD）的混合方法與縱橫交叉算法（CSO）優(yōu)化神經(jīng)網(wǎng)絡預測模型相結合的短期風速預測的新方法，以荷蘭某風電場風速數(shù)據(jù)為例，進行了單步風速預測，并對預測結果進行分析。

1? 互補集合經(jīng)驗模態(tài)分解

EMD假定原始信號的時間序列由不同的固有模態(tài)函數(shù)（IMFs）組成，并將時間序列x（t）分解成幾個固有模態(tài)分量和余量，使固有模態(tài)分量的極值點與零點數(shù)目相同或相差一個，且極大值與極小值的包絡線平均值為零，直至余量不能再被分解：

其中，m是IMF總數(shù);ci（t）是第i個IMF分量;rm（t）是余量。

集合經(jīng)驗模態(tài)分解（EEMD）向原始時間序列所加入的白噪聲信號必須滿足：

其中，N是添加白噪聲的集合數(shù);ε是附加噪聲的標準差;εm是原時間序列和分解得到的IMFs分量的最終標準偏差。

互補集合經(jīng)驗模態(tài)分解（CEEMD）通過向時間序列中加入正負成對的白噪聲來獲得互補的IMFs，主要步驟如下：

（1）向原始時間序列加入正負成對的白噪聲：

其中，NE是添加的白噪聲;X是時間序列;M1是時間序列和正噪聲的總和;M2是時間序列和負噪聲的總和。

（2）將M1和M2分解為各自互補的含有正負白噪聲的IMFs成對分量。

（3）疊加每對含正負白噪聲的分量作為最終的IMF分量。

2? CSO算法優(yōu)化

2.1? CSO算法

CSO算法由橫向、縱向交叉兩種核心算子組成。每次迭代過程中，這兩種運算將交替進行，交叉后產(chǎn)生的子代與其父代競爭，擇優(yōu)保留。

（1）橫向交叉操作。橫向交叉是種群中兩個互不相同的粒子在相同維之間的一種運算機制。

實際上，粒子維度層面出現(xiàn)早熟的概率較小，而且每次迭代只對其中一個粒子進行更新，其效果相當于使該粒子的收斂方向發(fā)生小幾率的改變，從而跳出局部最優(yōu)。

2.2? CSO優(yōu)化ELM參數(shù)步驟

極限學習機（ELM）由于容易過早收斂，往往需要大量的隱含層節(jié)點才能達到理想的預測精度。CSO算法全局搜索能力強，能有效解決以上問題。CSO優(yōu)化ELM參數(shù)的流程圖如圖1所示，詳細過程如下：

（1）確定種群規(guī)模、最大迭代次數(shù)、縱向交叉概率，在編碼的解空間中，隨機產(chǎn)生初始種群。

（2）用均方誤差公式（適應度函數(shù)）衡量每個粒子的適應值：

其中，yj代表實際值， 代表預測值。

（3）利用CSO算法求出種群中適應度最小的最優(yōu)解（粒子），群最優(yōu)粒子中的參數(shù)即為ELM的最優(yōu)輸入權值和偏差。結合訓練樣本的輸入值，通過激活函數(shù)公式求出隱含層輸入矩陣和隱含層輸出矩陣。

（4）判斷終止條件是否滿足。判斷迭代次數(shù)是否大于設定的最大值，若大于該值，則迭代終止，否則重復步驟（3）。

3? 基于CEEMD-CSO-ELM的預測模型

3.1? 誤差評價函數(shù)

為了更全面地評價各預測模型的準確率，采用平均絕對誤差（mean absolute error，MAE）、平均絕對百分比誤差（mean absolute percentage error，MAPE）和均方根誤差（root of the mean squared error，RMSE）作為預測誤差評價函數(shù)。

其中，N是預測樣本數(shù);yt是t時刻的實際風速值;是t時刻的預測風速值。

3.2? 建模過程

本文采用以荷蘭某風電場的歷史風速數(shù)據(jù)，如圖2所示，共有700個小時的數(shù)據(jù)組成700個樣本點，選取第1～600個樣本點進行訓練，預測第601～700個樣本點的數(shù)據(jù)。本文所提組合預測模型的流程如圖3所示。

具體步驟如下：

（1）獲取風速序列樣本。

（2）通過CEEMD把風速時間序列分解成從高到低頻的模態(tài)分量IMFs和余量R（n），選擇分解層數(shù)為9。設集合數(shù)N為500，白噪聲的標準偏差為0.2，CEEMD分解結果如圖4所示。

（3）建立CSO-ELM模型進行預測。

（4）疊加所有風速序列得到最終預測值，并進行誤差分析。

4? 算例及結果分析

分別建立ELM、粒子群算法優(yōu)化極限學習機（PSO-ELM）、CSO-ELM、EEMD-CSO-ELM共4種模型與本文所提CEEMD-CSO-ELM模型進行對比實驗。為了使對比公平，ELM和CSO算法中的參數(shù)應保持相同，所有模型的ELM的隱含層節(jié)點數(shù)設為6。CSO算法中橫向和縱向交叉的概率Phc、Pvc分別為1.0和0.5。五種模型的預測精度如表1所示，不同模型的風速預測如圖5所示。

由表1可以看出，CEEMD-CSO-ELM的預測誤差最小。具體分析如下：

（1）采用數(shù)據(jù)分解方法進一步減少了預測誤差。CEEMD-CSO-ELM的預測精度均值較模型ELM、PSO-ELM和CSO-ELM高。主要原因是采用CEEMD分解后的各IMF分量反映了數(shù)據(jù)的內(nèi)在變化規(guī)律，不同頻率數(shù)據(jù)間的干預和耦合大大降低，最大程度上保留了風速的高頻分量信息。

（2）與EEMD-CSO-ELM模型相比，CEEMD-CSO-ELM的預測精度也更高，說明CEEMD有效減少了EEMD分解過程中所添加的白噪聲對預測造成的誤差，提高了預測精度。

由圖5可知，采用CEEMD-CSO-ELM的風速預測曲線與實際風速曲線的擬合程度是最高的。具體分析如下：

（1）ELM模型的擬合程度最低。面對極值點連續(xù)變化時，該模型容易陷入局部最優(yōu)，無法準確捕捉其變化規(guī)律。

（2）ELM通過CSO算法優(yōu)化能產(chǎn)生更好的權值和閾值，擬合水平大大提高，說明憑借CSO的全局搜索能力所優(yōu)化選取的參數(shù)更優(yōu)，避免了一般算法在搜索后期可能出現(xiàn)的局部最優(yōu)問題，有效提高了ELM模型的泛化能力。

5? 結? 論

本文提出了一種基于互補集合經(jīng)驗模態(tài)分解、縱橫交叉算法優(yōu)化極限學習機的短期風速組合預測模型（CEEMD-CSO-ELM）。實驗結果表明，CEEMD有效克服了EEMD存在的問題，進一步降低了樣本數(shù)據(jù)的非平穩(wěn)性，從而大大減小了不同頻率信息之間的干涉與耦合，使預測精度得到明顯的提高;CSO具有強大的全局搜索能力，使ELM的權值、偏差參數(shù)更佳，提高了該模型的預測精度和泛化性。

參考文獻：

[1] 王明偉.風電場短期風速預測研究 [D].蘭州：蘭州理工大學，2009.

[2] 殷豪，董朕，馬留洋.基于可變模式分解和NWCSO優(yōu)化極限學習機的短期風速預測 [J].電力建設，2017，38（6）：36-43.

[3] 孟安波，胡函武，劉向東.基于縱橫交叉算法優(yōu)化神經(jīng)網(wǎng)絡的負荷預測模型 [J].電力系統(tǒng)保護與控制，2016，44（7）：102-106.

[4] 王進，史其信.短時交通流預測模型綜述 [J].中國公共安全（學術卷），2005（1）：92-98.

[5] 律方成，劉怡，亓彥珣，等.基于改進遺傳算法優(yōu)化極限學習機的短期電力負荷預測 [J].華北電力大學學報（自然科學版），2018，45（6）：1-7.

[6] 殷豪，董朕，陳云龍.基于CEEMD和膜計算優(yōu)化支持向量機的風速預測 [J].電力系統(tǒng)保護與控制，2017，45（21）：27-34.

作者簡介：鄒蘭珍（1979.03-），女，漢族，江西臨川人，工程師，學士學位，研究方向：配網(wǎng)管理。