《表1 5种预测方法的误差比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于经验模态分解与RBF神经网络的短期风功率预测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文基于经验模态分解的RBF神经网络对风功率进行预测，并与其他4种较为常见的风功率预测方法进行对比。为了保证预测的公平性，对比实验仅改变算法的核心部分，其他无关参数设置均保持相同。由于数据选取差异以及对文献中算法的不完全复现，在利用其他算法计算风功率误差参数时具有一定误差。如图6所示分别给出了3种神经网络的风功率实际值以及风功率预测结果。由图可见，传统RBF神经网络和WT-RBF神经网络相比于EMD-RBF神经网络，二者的预测值波动范围较大，且波动更明显，与风功率实际值的偏离程度更明显；EMD-RBF的预测值波动较小，与实际值比较贴合，表明基于经验模态分解的RBF神经网络预测方法精确度更高。此外，又对比了WT-BP神经网络和WT-RBF神经网络的预测方法，并将5种方法的2种误差列举在表1中。结果表明，RBF神经网络的预测精确度明显高于BP神经网络的精确度，这是因为RBF神经网络的逼近精度明显优于BP神经网络，且能避免陷入局部最小值和最大值问题。而添加小波变换的预测方法精确度又进一步得到提高，这是因为小波分析具有多尺度特点，能对风功率信号从高频和低频进行深层分析，当加入经验模态分解法后，风功率预测精确度进一步提高，有效降低风功率信号的非平稳特征，并结合RBF神经网络对非线性信号处理能力强的优势，提高了对风功率预测的准确度。