基于泊松噪声和优化极限学习机的多因素混合学习方法及应用

作     者：蒋锋 路畅 王辉 Jiang Feng;Lu Chang;Wang Hui

作者机构：中南财经政法大学统计与数学学院武汉430073 中国科学院武汉文献情报中心武汉430071 中国科学院科技大数据湖北省重点实验室武汉430071 

出 版 物：《统计与决策》 (Statistics & Decision)

年 卷 期：2025年第41卷第1期

页      面：52-57页

核心收录：

学科分类：12[管理学] 02[经济学] 07[理学] 08[工学] 070103[理学-概率论与数理统计] 0202[经济学-应用经济学] 020208[经济学-统计学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 0714[理学-统计学（可授理学、经济学学位）] 0835[工学-软件工程] 0701[理学-数学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：教育部人文社会科学研究基金项目(22YJAZH038) 科技大数据湖北省重点实验室开放基金资助项目(E3KF291001,E3KF461001) 

主　　题：超短期风电功率预测 互补集合经验模态分解 蛇优化算法 极限学习机 

摘      要：针对风电功率数据高波动性和间歇性的特点,文章提出了一种基于泊松噪声的互补集合经验模态分解(CEEMDPN)和改进的蛇优化算法(MSO)优化极限学习机的多因素混合学习方法。首先,利用CEEMDPN将风电功率序列分解为子序列;然后,引入曲线自适应调整参数改进蛇优化算法;最后,运用MSO优化的极限学习机(ELM)对每个子序列进行预测并集成。为了验证CEEMDPN-MSO-ELM模型的有效性,采用龙源电力集团的风电功率数据进行超短期预测,实证结果表明,CEEMDPN算法能够加强风电功率序列的主频率部分并提高分解精度,MSO算法能够很好地平衡算法的寻优速度与收敛精度,从而有效提升ELM模型的预测性能,所提模型的预测精度和稳健性均优于其他对比模型。