基于变分模态和改进多元宇宙优化的短期风电功率预测

为提高风电功率预测精度,提出一种基于变分模态分解(variational mode decomposition,VMD)和改进多元宇宙算法(improved multiverse optimization,IMVO)优化极限学习机(extreme learning machine,ELM)的组合预测方法.首先借助VMD算法将原始风电数据分解为模态分量,并根据互信息熵划分为高、低频分量以简化数据.然后在传统多元宇宙算法基础上通过引入Tent混沌映射、指数型旅行距离率以及精英反向学习机制进行改进,并与ELM相结合得到IMVO-ELM预测模型.最后将高频、低频分量预测结果叠加,得到最终预测结果.仿真结果表明,IMVO-ELM模型预测精度、收敛速度对比 ELM、MVO-ELM、PSO-ELM方法具有一定的优越性.且在借助VMD算法的数据预处理下,预测精度得到进一步提高,验证了所提组合预测方法的有效性.