基于VMD-SSA-HKELM的短期光伏功率预测

为提高光伏功率的短期预测精度,提出一种变分模态分解(VMD)与麻雀搜索算法(SSA)优化混合核极限学习机(HKELM)相结合的短期光伏发电功率预测模型。运用皮尔逊相关系数(PCC)选取与光伏发电功率相关性较强的气象因素作为预测模型的输入变量;以平方欧氏距离作为衡量样本相似性的依据,筛选出不同天气类型下的最优训练样本。为降低数据的非平稳性,利用VMD将原始光伏功率数据分解为一系列不同带宽的模态分量,对各模态分量分别建立HKELM模型,通过引入SSA算法对HKELM模型进行参数寻优。将各模态分量的预测结果进行求和重构,得到光伏功率预测结果。仿真结果表明,相比于反向传播神经网络(BPNN)、极限学习机(ELM)、核极限学习机(VMDKELM)和混合核极限学习机(VMD-HKELM)模型,VMD-SSA-HKELM模型具有更高的预测精度,验证了本文模型的精确性和有效性。