基于VMD-MBWO-KELM的短期风电功率预测

常振成; 游国栋; 肖梓跃; 芦玉冉; 刘锐君; 郗重企

doi:doi:10.19912/j.0254-0096.tynxb.2024-0229

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于VMD-MBWO-KELM的短期风电功率预测

更新时间：2025-12-02

- 基于VMD-MBWO-KELM的短期风电功率预测
- 基于VMD-MBWO-KELM的短期风电功率预测
- 太阳能学报 2025年46卷第6期页码：623-631
- 作者机构：
- 作者简介：
- 基金信息：
  
  国家自然科学基金（60771014）;天津市自然科学基金（13JCZDJC29100）;大学生创新创业计划（202310057101）
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-0229
  中图分类号： TP301
- 网络出版：2025-07-07，
  
  纸质出版：2025
- 稿件说明：
移动端阅览
常振成, 游国栋, 肖梓跃, 等. 基于VMD-MBWO-KELM的短期风电功率预测[J]. 太阳能学报, 2025,46(6):623-631.

常振成, 游国栋, 肖梓跃, et al. 基于VMD-MBWO-KELM的短期风电功率预测[J]. 2025, 46(6): 623-631.
常振成, 游国栋, 肖梓跃, 等. 基于VMD-MBWO-KELM的短期风电功率预测[J]. 太阳能学报, 2025,46(6):623-631. DOI： doi:10.19912/j.0254-0096.tynxb.2024-0229.

常振成, 游国栋, 肖梓跃, et al. 基于VMD-MBWO-KELM的短期风电功率预测[J]. 2025, 46(6): 623-631. DOI： doi:10.19912/j.0254-0096.tynxb.2024-0229.

摘要

针对风力发电功率存在较强的间歇性和波动性、预测精度较低的问题

提出基于变分模态分解（VMD）与多策略融合的白鲸优化算法（MBWO）的核极限学习机（KELM）预测模型。首先利用VMD对原始风力发电功率序列进行平稳化处理并构建MBWO-KELM模型

然后将分解后的子序列输入MBWO-KELM模型进行预测

最后对不同子序列进行重构以得到最终的风电功率预测值。结果表明

不同季节下该模型的预测精度和稳定性明显优于其他模型

平均绝对百分比误差（MAPE）值均控制在6%以下

可提高风电能源的利用效率。

Abstract

Aiming at the problem of strong intermittency and volatility and low prediction accuracy of wind power

this paper proposes a short-term wind power prediction model based on Beluga whale optimization algorithm based on multi-strategy fusion （MBWO）

Variational mode decomposition （VMD）

and Kernel extreme learning machine （KELM） prediction model. Firstly

the original wind power sequence is smoothed by VMD and the MBWO-KELM model is constructed. secondly

the decomposed subsequences are input into the MBWO-KELM model for prediction. Finaly

the different subsequences are reconstructed to obtain the final wind power prediction. The results show that the prediction accuracy and stability of the model are significantly better than other models under different seasons

and the MAPE values are all controlled below 6%

which can improve the utilization efficiency of wind power energy.

关键词

Keywords

references

师洪涛, 李艺萱, 丁茂生, 等. 基于多重联合概率与改进加权HMM的风电功率预测方法[J]. 太阳能学报, 2023, 44(11): 247-254.

周小麟. 基于二次分解和机器学习的超短期风电功率预测方法研究[D]. 成都: 西南交通大学, 2021.

孙亦皓, 刘浩, 胡天宇, 等. 基于时空关联特征与GCN-FEDformer的风速短期预测方法[J]. 中国电机工程学报, 2024, 44(21): 8496-8507.

庞博文, 丁月明, 杜善慧, 等. 基于CEEMDAN-BO-LSTNet的风电出力短期预测[J]. 电测与仪表, 2023, 60(9): 109-116, 170.

张浩田, 温蜜, 李晋国, 等. 数据驱动的时间注意力卷积风电功率预测模型[J]. 太阳能学报, 2022, 43(10): 167-176.

LIU Z F, LIU Y Y, CHEN X R, et al.A novel deep learning-based evolutionary model with potential attention and memory decay-enhancement strategy for short-term wind power point-interval forecasting[J]. Applied energy, 2024, 360: 122785.

WANG C, HE Y, ZHANG H L, et al.Wind power forecasting based on manifold learning and a double-layer SWLSTM model[J]. Energy, 2024, 290: 130076.

DING Y F, CHEN Z J, ZHANG H W, et al.A short-term wind power prediction model based on CEEMD and WOA-KELM[J]. Renewable energy, 2022, 189: 188-198.

SHAN J N, WANG H Z, PEI G, et al.Research on short-term power prediction of wind power generation based on WT-CABC-KELM[J]. Energy reports, 2022, 8: 800-809.

王瑞, 陈泽坤, 逯静. 基于VMD和IBA-LSSVM的短期风电功率预测[J]. 河海大学学报(自然科学版), 2021, 49(6): 575-582.

LI L L, LIU Z F, TSENG M L, et al.Using enhanced crow search algorithm optimization-extreme learning machine model to forecast short-term wind power[J]. Expert systems with applications, 2021, 184: 115579.

朱昶胜, 赵奎鹏. 改进灰狼算法的核极限学习机的风功率预测[J]. 计算机应用与软件, 2022, 39(5): 291-298.

JIANG J F, ZHANG X Y, YUAN Z.Feature selection for classification with Spearman's rank correlation coefficient-based self-information in divergence-based fuzzy rough sets[J]. Expert systems with applications, 2024, 249: 123633.

FU W L, FU Y C, LI B L, et al.A compound framework incorporating improved outlier detection and correction, VMD, weight-based stacked generalization with enhanced DESMA for multi-step short-term wind speed forecasting[J]. Applied energy, 2023, 348: 121587.

商立群, 李洪波, 侯亚东, 等. 基于VMD-ISSA-KELM的短期光伏发电功率预测[J]. 电力系统保护与控制, 2022, 50(21): 138-148.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

融合改进Informer与迁移学习的风电功率预测

基于波动信息优选及切换输入机制的短期延长期风电集群功率预测

基于风电概率预测的风电场调频容量估计方法

基于VMD-SSA-LSSVM的短期风电预测