摘要：风电功率存在较大的随机性、波动性和相关性,这会对风电并网带来极大的挑战。为提高超短期风电功率预测精度,提出一种基于经验模态分解（empirical mode decomposition,EMD）、谱聚类（spectral clustering,SC）和改进型引力搜索算法（ameliorated gravitational search algorithm,AGSA）优化支持向量机（support vector machine,SVM）参数的超短期风电功率组合预测方法。首先通过经验模态分解对风电原始数据进行去噪处理,剔除不规则的数据;然后应用谱聚类对经验模态分解后的子序列进行聚类分析,再应用改进型引力搜索算法优化支持向量机模型对各个子序列进行预测;最后将各子序列的预测结果相加得到最终预测值。以某风电场的实际数据为算例,仿真研究表明,所提出的组合模型能够提高风电功率预测精度,且预测效果较好,同时也证明了所采用方法的合理性。该方法能够用于风电功率的精确预测。

关键词：超短期风电功率预测 经验模态分解 谱聚类 改进型引力搜索算法 支持向量机 

单位：湖南大学电气与信息工程学院; 湖南长沙410082