[發(fā)明專利]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)（專利權(quán)）人: 西南交通大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06
• 代理公司: 成都信博專利代理有限責(zé)任公司 51200
• 代理人: 劉凱

本發(fā)明涉及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，將原始數(shù)據(jù)分為訓(xùn)練集和測(cè)試集；將訓(xùn)練集分解為若干子序列，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，并將其剔除相應(yīng)，對(duì)剩余子序列建預(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)1，獲得最終預(yù)測(cè)結(jié)果；更新訓(xùn)練集，并將更新后的訓(xùn)集分解為若干新的子序列，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；繼續(xù)進(jìn)行超前一步預(yù)測(cè)，直到完成所有預(yù)測(cè)。本發(fā)明降低了子序列虛假成分的影響，提高了預(yù)測(cè)的性能，及預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性。

技術(shù)領(lǐng)域

本發(fā)明涉及風(fēng)速預(yù)測(cè)技術(shù)領(lǐng)域，具體為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。

背景技術(shù)

由于風(fēng)能可再生，無(wú)污染和豐富大量的特點(diǎn)，其在溫室氣體減排和取代化石燃料中起著重要作用。全球風(fēng)能委員會(huì)預(yù)計(jì)，在全球電力供應(yīng)中風(fēng)能占比將在2020年達(dá)到12％，2030年達(dá)到22％。然而由于風(fēng)速時(shí)間序列的隨機(jī)性，非線性和非平穩(wěn)性，如何完全實(shí)現(xiàn)將風(fēng)力發(fā)電應(yīng)用于多源能源網(wǎng)絡(luò)仍有很大的困難，如產(chǎn)能計(jì)劃和風(fēng)機(jī)維護(hù)等。

為了提高風(fēng)速預(yù)測(cè)的準(zhǔn)確性，大量的預(yù)測(cè)方法發(fā)展了起來(lái)。主要分為三類：物理方法，時(shí)間序列方法和基于人工智能的方法。物理方法預(yù)測(cè)風(fēng)速時(shí)考慮了氣象因素如地形，大氣壓和環(huán)境溫度。數(shù)值天氣預(yù)報(bào)(Numerical Weather Prediction NWP)作為物理法的代表而被廣泛應(yīng)用。但它通常是用于長(zhǎng)期風(fēng)速預(yù)測(cè)不適于短期風(fēng)速預(yù)測(cè)。時(shí)間序列的方法利用歷史數(shù)據(jù)來(lái)預(yù)測(cè)風(fēng)速，包括自回歸模型(AR Autoregressive)，自回歸移動(dòng)平均模型(Autoregressive Moving Average ARMA)，差分自回歸移動(dòng)平均模型(AutoregressiveIntegrated Moving Average Model ARIMA)和分?jǐn)?shù)差分自回歸移動(dòng)平均模型(FractionalAutoregressive Integrated Moving Average Model FARIMA)。盡管這些方法可以很好地捕捉到風(fēng)速數(shù)據(jù)中的線性關(guān)系，但不能很好的揭示其中的非線性特征。基于人工智能的方法能夠的揭示風(fēng)速時(shí)間序列中的非線性特征，建立輸入值和輸出值之間的非線性關(guān)系。其包括人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network ANN)，支持向量機(jī)(Support VectorMachine SVM)，最小二乘支持向量機(jī)(Least Square Support Vector Machine LSSVM)和模糊邏輯方法。由于風(fēng)速序列具有極強(qiáng)的非線性特征，總的來(lái)說(shuō)基于人工智能的預(yù)測(cè)準(zhǔn)確性優(yōu)于時(shí)間序列法。但是其模型參數(shù)需要更多的調(diào)整，也存在著著效率低下和過(guò)度擬合的問(wèn)題。

近年來(lái)基于分解的混合模型發(fā)展了起來(lái)，典型的分解法有經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition EMD)，集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical ModeDecomposition EEMD)，快速集合經(jīng)驗(yàn)?zāi)B(tài)分解(Fast Ensemble Empirical ModeDecomposition FEEMD)，離散小波變換(Discrete Wavelet Transform DWT)和小波包分解(Wavelet Packet Decomposition WPD)，對(duì)分解后的子序列建立的風(fēng)速預(yù)測(cè)模型如ARIMA，ANN，SVM和LSSVM模型。如采用遞歸ARIMA模型來(lái)預(yù)測(cè)EMD分解后的風(fēng)速時(shí)間序列的各個(gè)子序列；如應(yīng)用FEEMD可以提高EEMD在風(fēng)速預(yù)測(cè)時(shí)的計(jì)算性能；再如結(jié)合兩種分解方法(如DWT和WPD)和兩種預(yù)測(cè)方法(時(shí)間序列和ANN)發(fā)展了三種不同的混合模型。其將DWT，WPD，EMD和FEEMD同極限學(xué)習(xí)機(jī)(ELMS)結(jié)合起來(lái)成為四種混合模型。相較于其他混合模型，基于分解的混合模型可以將非線性非平穩(wěn)的風(fēng)速時(shí)間序列分解成更加穩(wěn)定和正規(guī)的子序列，優(yōu)化預(yù)測(cè)結(jié)果。許多研究表明基于分解的混合方法優(yōu)于沒(méi)有分解的方法。