摘 要：风电在电网系统中的成功整合与应用需要风电机组或风电场产生的风电信息，又因为风速具有不可预测性、间歇性和非线性等特性，所以准确预测非常具有挑战性。因此，本文提出了一种基于互补经验模态分解（CEEMD）与CSO 优化神经网络预测模型相结合的短期风速预测的新方法，来达到更优的预测效果。在本文中，CEEMD 用于将风速数据分解为多个固有模态函数（IMFs）来进行预测；然后对所有分量建立纵横交叉算法优化极限学习机（CSO-ELM）的预测模型；最后叠加所有序列的预测值作为最终的预测结果。本文对荷兰某风电场的实测小时风速数据集进行大量实验得出结果，来验证所提方法的有效性。
关键词：互补经验模态分解；纵横交叉算法；极限学习机；风速预测
中图分类号：TM614；TP18 文献标识码：A 文章编号：2096-4706（2019）20-0012-04
Short-term Wind Speed Prediction Based on CEMD-CSO-ELM
ZOU Lanzhen
（Jiangmen Xinhui Power Supply Bureau，Guangdong Power Grid Co.，Ltd.，Jiangmen 529100，China）
Abstract：Successful integration and application of wind power in power system requires wind power information generated by wind turbines or wind farms. Because wind speed is unpredictable，intermittent and non-linear，accurate prediction is very challenging. Therefore，a new short-term wind speed prediction method based on CEEMD and CSO optimization neural network prediction model is proposed to achieve better prediction results. In this paper，CEEMD is used to decompose wind speed data into multiple intrinsic modal functions （IMFs） for prediction；then a prediction model of CSO-ELM is established for all components；finally，the prediction values of all sequences are superimposed as the final prediction results. In this paper，a large number of experiments are carried out on the measured hourly wind speed data set of a wind farm in the Netherlands to verify the effectiveness of the proposed method.
Keywords：complementary ensemble empirical mode decomposition；crisscross optimization algorithm；extreme learningmachine；wind speed forecasting
参考文献：
[1] 王明伟. 风电场短期风速预测研究 [D]. 兰州：兰州理工大学，2009.
[2] 殷豪，董朕，马留洋. 基于可变模式分解和NWCSO 优化极限学习机的短期风速预测 [J]. 电力建设，2017，38（6）：36-43.
[3] 孟安波，胡函武，刘向东. 基于纵横交叉算法优化神经网络的负荷预测模型 [J]. 电力系统保护与控制，2016，44（7）：102-106.
[4] 王进，史其信. 短时交通流预测模型综述 [J]. 中国公共安全（学术卷），2005（1）：92-98.
[5] 律方成，刘怡，亓彦珣，等. 基于改进遗传算法优化极限学习机的短期电力负荷预测 [J]. 华北电力大学学报（自然科学版），2018，45（6）：1-7.
[6] 殷豪，董朕，陈云龙. 基于CEEMD 和膜计算优化支持向量机的风速预测 [J]. 电力系统保护与控制，2017，45（21）：27-34.
作者简介：邹兰珍（1979.03-），女，汉族，江西临川人，工程师，学士学位，研究方向：配网管理。