摘要：针对风电功率时间序列的混沌特性，提出了一种基于集成经验模态分解（ensembleempiricalmodedecomposition，EEMD）一近似熵和回声状态网络（echostatenetwork，ESN）的风电功率混沌时间序列组合预测模型．首先为降低对风电功率局部分析的计算规模以及提高预测的准确性，利用EEMD-近似熵将风电功率时间序列分解为一系列复杂度差异明显的风电子序列；然后对各子序列分别建立ESN、经过高频分量正则化改进的EEMD-ESN模型和最小二乘支持向量机预测模型；最后以某一风电场实际采集的数据为算例，仿真结果表明EEMD-ESN模型在训练速度和预测精度上优于最小二乘支持向量机模型，为实现风电功率短期预测的在线工程应用提供了新的有益参考．

关键词：混沌时间序列 风电预测 集成经验模态分解 近似熵 

单位：山东大学电气工程学院 济南250061 电网智能化调度与控制教育部重点实验室(山东大学) 济南250061