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

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 learning machine;wind speed forecasting

0  引  言

近年来，社会对全球气候形势急剧恶化的担忧日益增加。世界上许多国家和城市已经开始从传统能源转向可再生能源生产。在所有可再生能源中，风能已成为世界上最受关注并且发展最快的增长点之一。风能的巨大增长也为风能成功并入传统电网带来了严峻的挑战。具体而言，由于风速的间歇性和不可预测性，风力发电厂产生的电力会产生波动和变化，在传统的配电系统中，电力的供需必须始终保持一致，这会导致风力发电难以集成到现有的电力系统中[1]。因此，一个包含这种波动风电的电力系统必须找到一种平衡供需之间的方式[2，3]。……