采用特征优选和优化深层核极限学习机的短期风电功率预测

针对风电出力非线性、不稳定且用传统方法难以准确预测的问题，提出了一种基于对深层混合核极限学习机(DHKELM)参数进行优化的短期风电功率预测。利用核主成分分析(KPCA)方法进行特征优选得到的最优特征集，既能表达风电功率的有效信息，也能避免冗余信息的出现，有利于DHKELM模型的学习与训练，同时也降低了模型的复杂度。针对DHKELM超参数难确定的问题，利用改进的野犬优化算法(IDOA)对DHKELM的8个超参数进行寻优，可以发掘原始序列特征信息，从而使模型能够充分掌握数值天气预报(NWP)与风电功率之间的非线性关系。以国外某风电场真实数据为算例，结果表明：提出的预测模型相较于野犬算法、差分进化算法和粒子群优化算法的平均绝对百分比误差(MAPE)分别降低了0.979 3%、2.342 1%、3.383 2%,有效提高了风电功率的预测精度。