[發(fā)明專(zhuān)利]一種基于考慮分量關(guān)聯(lián)性小波分解的混合風(fēng)速預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710532532.3
• 申請(qǐng)日: 2017-07-03
• 公開(kāi)（公告）號(hào): CN107292446B
• 公開(kāi)（公告）日: 2021-01-29
• 發(fā)明（設(shè)計(jì)）人: 黃國(guó)慶;姜言;彭新艷;宋淳宸;李永樂(lè)
• 申請(qǐng)（專(zhuān)利權(quán)）人: 西南交通大學(xué)
• 主分類(lèi)號(hào): G06Q10/04
• 分類(lèi)號(hào): G06Q10/04;G06Q50/06
• 代理公司: 成都信博專(zhuān)利代理有限責(zé)任公司 51200
• 代理人: 劉凱

1.一種基于考慮分量關(guān)聯(lián)性小波分解的混合風(fēng)速預(yù)測(cè)方法，其特征在于，包括以下步驟：

步驟1：將測(cè)得的原始風(fēng)速數(shù)據(jù)樣本分為兩部分，包括訓(xùn)練集：{x(1)，…，x(n)}；測(cè)試集{x(n+1)，…，x(n+N)}；

步驟2：測(cè)試集視為未知，建立DWT或EMD模型將訓(xùn)練集分解為若干子序列{c_j(1)，…，c_j(n)}，j＝1…M+1；

步驟3：進(jìn)行子序列和原始序列的相關(guān)性分析，根據(jù)子序列和原始數(shù)據(jù)的相關(guān)系數(shù)識(shí)別虛假子序列：若相關(guān)系數(shù)超過(guò)所選閾值，則剔除相應(yīng)的子系列，否則應(yīng)保留相應(yīng)的子系列；

步驟4：對(duì)剩余子序列建立LSSVM或LSSVM-GARCH預(yù)測(cè)模型，通過(guò)子序列中第1至n個(gè)數(shù)據(jù)來(lái)預(yù)測(cè)第n+1個(gè)數(shù)據(jù)：疊加各個(gè)子序列預(yù)測(cè)得的第n+1個(gè)數(shù)據(jù)j＝1…M+1，獲得最終預(yù)測(cè)結(jié)果：

步驟5：更新訓(xùn)練集為{x(2)，…，x(n+1)}，將更新后的訓(xùn)集分解為若干新的子序列({c_j(2)，…，c_j(n+1)},j＝1…M+1)；建立LSSVM模型預(yù)測(cè)第n+2數(shù)據(jù)，疊加各個(gè)子序列的預(yù)測(cè)得第n+2個(gè)數(shù)據(jù)獲得預(yù)測(cè)值

步驟6：遵循步驟5過(guò)程繼續(xù)進(jìn)行超前一步預(yù)測(cè)，直到完成所有預(yù)測(cè)；

步驟7：評(píng)估預(yù)測(cè)誤差。

2.根據(jù)權(quán)利要求1所述的基于考慮分量關(guān)聯(lián)性小波分解的混合風(fēng)速預(yù)測(cè)方法，其特征在于，根據(jù)DWT模型將訓(xùn)練集分解為若干子序列的具體方法包括：利用DWT在指定的小波基函數(shù)的基礎(chǔ)上將信號(hào){x(t)}分解成若干頻率帶分量：

其中，M是分量層數(shù)，c_j(t)(i＝1,2，…,M)表示第j層細(xì)節(jié)分量，c_M+1(t)表示逼近分量，且隨著層數(shù)的增加，頻率逐漸降低。

3.根據(jù)權(quán)利要求1所述的基于考慮分量關(guān)聯(lián)性小波分解的混合風(fēng)速預(yù)測(cè)方法，其特征在于，根據(jù)EMD模型將訓(xùn)練集分解為若干子序列的具體方法包括：通過(guò)一個(gè)迭代篩選過(guò)程可將信號(hào)x(t)分解成若干個(gè)本征模態(tài)方程和一個(gè)殘量：

其中，M是分量層數(shù)，c_j(t)(j＝1,2，…,M)表示第j層的本征模態(tài)函數(shù)，c_M+1(t)表示殘量。

4.根據(jù)權(quán)利要求1所述的基于考慮分量關(guān)聯(lián)性小波分解的混合風(fēng)速預(yù)測(cè)方法，其特征在于，所述步驟3中子序列和原始序列的相關(guān)系數(shù)表達(dá)如下：

其中，x(t),t＝1,2…n為訓(xùn)練數(shù)據(jù)點(diǎn)；c_j(t)是第j個(gè)子序列。

5.根據(jù)權(quán)利要求1所述的基于考慮分量關(guān)聯(lián)性小波分解的混合風(fēng)速預(yù)測(cè)方法，其特征在于，所述超過(guò)所選閾值表示相關(guān)系數(shù)小于最大的相關(guān)系數(shù)的絕對(duì)值的1/10。

6.根據(jù)權(quán)利要求1所述的基于考慮分量關(guān)聯(lián)性小波分解的混合風(fēng)速預(yù)測(cè)方法，其特征在于，所述步驟4中建立預(yù)測(cè)模型前，采用拉格朗日乘數(shù)LM檢驗(yàn)誤差項(xiàng)的異方差性，即

其中，r²是擬合優(yōu)度，H₀是零假設(shè)，H₁是備擇假設(shè)；χ²(q)為服從q階卡方分布；η₁,η₂…η_q為非負(fù)系數(shù)；式中殘差遵循p階和q階的GARCH模型，記作GARCH(p,q)，p為ARCH項(xiàng)的階數(shù)，q為GARCH項(xiàng)的階數(shù)；

若LM的統(tǒng)計(jì)值大于χ²(q)，則舍去零假設(shè)采用備擇假設(shè)；表示誤差成分存在異方差性，應(yīng)建立LSSVM-GARCH預(yù)測(cè)模型，否則建立LSSVM預(yù)測(cè)模型。

7.根據(jù)權(quán)利要求6所述的基于考慮分量關(guān)聯(lián)性小波分解的混合風(fēng)速預(yù)測(cè)方法，其特征在于，所述LSSVM-GARCH預(yù)測(cè)模型的建立方法包括：

在LSSVM模型中，i時(shí)刻真值表達(dá)式為：

其中y_i，和ξ_i分別為真值，預(yù)測(cè)值和i時(shí)刻殘差；

如果ξ_i隨時(shí)間而變化，則不能忽略其對(duì)預(yù)測(cè)結(jié)果的影響，GARCH模型的結(jié)構(gòu)為：

其中，υ_i是一個(gè)均值為0方差為1的白噪聲序列，η_l和為非負(fù)系數(shù)；h_i為i時(shí)刻條件方差，為系數(shù)，h_i-k為i-k時(shí)刻條件方差；ξ_i-l為i-l時(shí)刻殘差。