改进灰狼算法的核极限学习机的风功率预测

针对风能的波动性、非平稳性导致风电功率预测精度不高的问题，研究并提出一种基于可变模式分解(VMD)技术和改进灰狼算法(DIGWO)优化核极限学习机(KELM)的短期风电功率预测模型。将功率信号进行分解得到若干个不同带宽的模式分量，对各个模式分量建立核极限学习机预测模型。为提高核极限学习机的寻优能力，采用改进的灰狼算法对核极限学习机的参数进行优化，得到各个模式分量的预测值，将分量预测值进行叠加后得到风电功率最终预测。采用实际风电功率数据进行实验仿真，实验结果表明，该模型的RMSE和MAE分别是1.5%和1.16%,相比其他模型提高了风电功率预测精度。