魏鹏飞，樊小朝，史瑞静，2，王维庆，闫亚东

(1.新疆大学电气工程学院，新疆 乌鲁木齐 830047；2.新疆工程学院，新疆 乌鲁木齐 830023；3.国网乌鲁木齐市供电公司，新疆 乌鲁木齐 830011)

0 引 言

我国现如今积极推动风能发电，减少碳排放，把促进风能的发展视为保障人类、社会和经济可持续发展的一项重要举措。截至2019年底，全国风电累计装机容量达2.1亿kW，风电发电量达4 057亿kW·h,占全部发电量的5.5%[1]。然而，风电功率的波动性和非平稳性给电网调度和调节带来了挑战，高效的风电功率预测既能提高电网并网能力以及安全性，还能有效的减少弃风[2]。目前，短期风电功率预测可分为两类。一类是依据历史数据建立的物理统计模型[3-5]；另一类是运用智能算法建立的学习模型。如支持向量机和改进的原子搜索算法相结合[6]、粒子群算法优化核极限学习机[7]、长短时记忆网络[8]。但是这些模型有较大的局限性，随着预测时间的加长，直接导致预测误差不断增大。所以，本文提出一种基于CEEMD和SSA-ELM的新型短期风电功率预测的方法。欲借助CEEMD对历史风功率数据进行分解；随后结合SSA-ELM建立适应各个分量的预测模型进行预测叠加；最后对未来短时间的风电功率进行仿真预测。

1 互补式集合经验模态分解

现阶段用于信号预处理有经验模态分解(EMD)、小波变换和傅里叶变换3种方法。后2种方法极为相似，均采用固定的函数基来进行分解。小波变换对于不同的信号的分析需要选用不同的小波基才能达到理想效果，但是EMD的自适应正交基处理方法恰好解决了这个问题。……