典型文献
基于CEEMDAN-精细复合多尺度熵和Stacking集成学习的短期风电功率预测
文献摘要：
为了解决风电功率的间歇性与非平稳性带来的功率预测难度,提出了一种基于CEEMDAN-精细复合多尺度熵和Stacking集成学习的短期风电功率预测方法.在对风电功率进行预测之前,对风电功率数据进行预处理.首先引入自适应噪声完备集合经验模态分解(CEEMDAN)方法分解风电功率原始序列,并计算各分解分量的精细复合多尺度熵(RCMSE).然后,将熵值相近的分量序列重组成新序列,以降低模型复杂度和提高计算效率.在预测阶段,对重组之后的序列分别建立Stacking集成学习模型进行风电功率短期预测,最后对预测结果进行重组.通过新疆某风电场实测数据证明:结合各单一预测模型优点的Stacking集成学习模型方法与其4种基学习器KNN、RF、SVR和ANN相比,Stacking模型具有更高的风电预测准确度.在同等条件下,CEEMDAN-RCMSE-Stacking模型均方根误差相比单一的Stacking模型及EMD-RCMSE-Stacking模型分别减少了 20.34％和9.74％,平均绝对误差分别减少了 24.55％和6.35％,而拟合优度系数分别提高了 4.09％和1.62％,即CEEMDAN-RCMSE-Stacking模型拥有更高的预测性能.
文献关键词：
短期风电功率预测;CEEMDAN;精细复合多尺度熵;Stacking集成学习;影响因素;新能源;清洁可再生能源
中图分类号：
作者姓名：
康文豪;徐天奇;王阳光;邓小亮;李琰
作者机构：
云南民族大学云南省高校电力信息物理融合系统重点实验室,云南 昆明 650504;国网湖南省电力有限公司,湖南长沙 410004
文献出处：
引用格式：
[1]康文豪;徐天奇;王阳光;邓小亮;李琰-.基于CEEMDAN-精细复合多尺度熵和Stacking集成学习的短期风电功率预测)[J].水利水电技术（中英文）,2022(02):163-172
A类：
精细复合多尺度熵,RCMSE
B类：
CEEMDAN,Stacking,短期风电功率预测,间歇性,非平稳性,自适应噪声完备集合经验模态分解,解风,新序列,模型复杂度,高计算效率,集成学习模型,风电功率短期预测,风电场,模型方法,基学习器,KNN,RF,SVR,ANN,风电预测,预测准确度,同等条件,平均绝对误差,拟合优度,预测性能,清洁可再生能源
AB值：
0.161025
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
