第4章 基于EEMD的短期风电功率预测模型

由于风速-风功率原始序列随机性、波动性强烈，简单地进行风电功率预测，一般无法满足较高精度的要求，因此，对原始数据进行分析处理，将变化规律相近的特征信息进行融合，分别根据不同的数据建立预测模型，能够提高风电功率预测的精度，这是近年来风电功率预测的趋势。

本章首先讲述了风力发电功率预测模型的整体框架，概括了本部分研究的微网EMS中采用的模拟风电场的基本概况，包括风电机组的装机容量和额定功率、气象数据的采集监测和记录标准等，分析影响风电功率出力结果的气象因素，总结了各因素的特点及处理异常数据的方法。针对SCADA提供的风速历史数据采用EEMD实现了模态分解，将实际风速信号按不同尺度分解成相对平稳的分量，每个子序列的频域特性较为稳定，同时对于该模型中的两个参数采用了改进FOA进行优化；针对分解后的子序列，本部分采用相空间重构对其进行处理，并对每个序列分别建立LS-SVM预测模型，针对空间重构和预测模型的参数，本部分考虑相互之间的影响，采用改进FOA对整体误差进行全参数优化；将预测的子序列叠加后，求出了预测日的风速值，并通过风速-风功率转化模型，最终建立了预测日的风电功率短期预测模型。