基于粒子群优化的核极限学习机模型的风电功率区间预测方法

风电功率预测能为电网规划和运行提供重要依据,传统预测方法多为点预测,其结果一般有不同程度的误差,区间预测方法能有效描述风电输出功率的不确定性因而逐步受到重视。针对短期风电功率概率区间预测问题,提出一种基于粒子群优化的核极限学习机(PSO-KELM)模型,用于风电功率区间预测。通过核极限学习机(KELM)建立预测模型,采用粒子群算法对KELM的输出权值进行优化,寻找最优预测区间上下限,充分利用了KELM学习速度快、泛化能力强的优点,实现了对风电功率的快速区间预测。通过与PSO-ELM模型对比分析风电场在不同置信水平下的概率预测结果,发现PSO-KELM模型的预测精度更高,速度更快,能够为风电功率区间预测及风电并网安全稳定运行提供决策支持。