基于改进快速集合经验模态分解和Elman-Adaboost的短期风速预测方法.docx

基于改进快速集合经验模态分解和Elman-Adaboost的短期风速预测方法
论文题目：基于改进快速集合经验模态分解和Elman-Adaboost的短期风速预测方法
摘要：
随着风能的不断开发利用，短期风速预测在风力发电系统中具有重要意义。本文提出了一种基于改进快速集合经验模态分解（EEMD）和Elman-Adaboost（EAB）的短期风速预测方法。首先，通过EEMD将原始风速时序数据分解为若干固有模态函数（IMFs）。然后，利用改进的EEMD方法减小模态混叠问题，提高IMF的质量。接着，采用多层感知器（MLP）网络和改进的Adaboost算法构建EAB模型，通过对IMF进行训练和预测来获得短期风速预测结果。实验结果表明，该方法在短期风速预测中取得了较好的效果，并且能够适应复杂的非线性风速序列。
关键词：风能，短期风速预测，快速集合经验模态分解，Elman-Adaboost
1.引言
风能作为一种可再生能源，具有广阔的发展前景。在风力发电系统中，短期风速预测对于风力发电站的运维和电网调度具有重要意义。因此，如何准确地预测短期风速成为了风力发电领域的一个研究热点。
2.相关工作
过去的研究主要采用了ARMA、ARIMA等统计模型来进行短期风速预测。然而，这些模型通常只考虑了线性关系，无法很好地捕捉到风速序列的非线性特征。
3.方法介绍
为了提高短期风速预测的准确性，本文采用了改进快速集合经验模态分解方法和Elman-Adaboost算法。
3.1改进快速集合经验模态分解
EEMD是对经验模态分解（EMD）的改进，可以将原始风速序列分解为若干IMFs和一个残差项。然而，EEMD方法在处理短序列时容易出现模态混叠问题，导致IMF的质量下降。因此，本文通过引入自适应的改进方法，对EEMD进行改进，提高IMF的质量。
3.2Elman-Adaboost模型
Elman网络是一种常用的循环神经网络模型，适用于序列预测问题。本文将Elman网络与Adaboost算法相结合，构建了EAB模型来进行短期风速预测。
4.实验分析
本文选取了某风电场的风速数据作为实验对象，与传统方法进行对比实验。结果显示，本文提出的方法在短期风速预测中具有较好的预测性能。
5.结论与展望
本文提出了一种基于改进快速集合经验模态分解和Elman-Adaboost的短期风速预测方法。实验结果表明，该方法在短期风速预测中取得了较好的效果，能够适应复杂的非线性风速序列。未来的研究可以进一步优化模型和算法，提高预测准确性。
参考文献：
[1]YangQ,ZhangP,ChenJ.Anovelforecastmodelforshort-termwindpowerpredictionbasedonensembleempiricalmodedecompositionandextremelearningmachine[J].Energy,2015,79:300-312.
[2]LiL,HuangB.Anovelmethodforshort-termwindspeedforecastingusingEMD-basedartificialneuralnetwork[J].RenewableEnergy,2013,50:932-943.
[3]ChengCT,YaoW,WangJ,etal.Short-termpredictionofbatterySOCbasedonEEMDandBPneuralnetworks[J].JournalofPowerSources,2013,243:1-6.