[發明專利]一種基于CEEMD-VMD-GA-ORELM模型的短期風速預測方法

在審

• 申請號: 201810891427.3
• 申請日: 2018-08-07
• 公開（公告）號: CN109118000A
• 公開（公告）日: 2019-01-01
• 發明（設計）人: 劉詩韻;殷豪;吳非;許銳埼;李皓;邵慧棟
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F17/50
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

1.一種基于CEEMD-VMD-GA-ORELM模型的短期風速預測方法，其特征在于，包括以下步驟：

S10.獲取風速歷史數據并對數據進行預處理得到原始數據序列x(t)；

S20.利用互補經驗模態分解進行分解，將風速歷史數據分解成一系列離散模態；

S30.利用變分模態分解進行二次分解，將風速歷史數據分解成一系列離散模態；

S40.選擇訓練樣本，建立遺傳算法優化離群魯棒極限學習機神經網絡的預測模型；

S50.對所有子序列均采用步驟S40中的遺傳算法優化離群魯棒極限學習機神經網絡的預測模型進行單步預測；

S60.疊加步驟S50中所有子序列的預測值，得到實際預測結果。

2.根據權利要求1所述的基于CEEMD-VMD-GA-ORELM模型的短期風速預測方法，其特征在于，步驟S10中，所述風速歷史數據包括500～900點風速數據。

3.根據權利要求1所述的基于CEEMD-VMD-GA-ORELM模型的短期風速預測方法，其特征在于，步驟S10中，所述風速歷史數據包括700點風速數據。

4.根據權利要求1所述的基于CEEMD-VMD-GA-ORELM模型的短期風速預測方法，其特征在于，步驟S20中，互補經驗模態分解按以下步驟進行分解：

S21.基于經驗模態分解方法，將原始數據序列x(t)分解成若干固有模態分量和余量，如下式：

式中，為本征模態函數IMF總數；c_i(t)為第i個IMF分量；r_m(t)為余量；

S22.基于集合經驗模態分解方法，向原始數據序列x(t)中加入白噪聲信號，加入的白噪聲信號符合以下統計規律：

式中，N是添加白噪聲的集合數；ε是附加噪聲的標準差；ε_m是最終標準偏差；

S23.基于互補經驗模態分解方法，向原始數據序列x(t)中加入正負成對形式的白噪聲。

5.根據權利要求4所述的基于CEEMD-VMD-GA-ORELM模型的短期風速預測方法，其特征在于，步驟S23中，所述互補經驗模態分解方法包括以下步驟：

S231.在原始數據序列x(t)中加入一對幅值相同、相位角相差180°的隨機白噪聲序列：

式中，μ為噪聲的幅值，M為迭代次數，σ_m(t)為加入的白噪聲序列；

S232.通過經驗模態分解方法對時間序列x₁(t)和x₂(t)分別進行分解，得到兩種IMF和余項如下：

式中，為分解得到的IMF分量；為余項；

S233.求取分解結果的總體平均，得到最終的IMF分量c_i和余項r：

6.根據權利要求1所述的基于CEEMD-VMD-GA-ORELM模型的短期風速預測方法，其特征在于，步驟S30中，所述變分模態分解的二次分解包括以下步驟：

S31.對于原始輸入信號f(t)，利用希爾伯特變換，得到每個模態函數u_k(t)的解析信號，并獲得單變頻譜其中，t表示第t時刻，k表示第k個模態，j表示虛數單位，σ(t)表示第k個模態在第t時刻的中心頻率；

S32.將每個模態的頻譜以及各模態解析信號的混合以預估中心頻率為基準調制到相應基頻帶其中w_k表示第k個模態的角頻率；

S33.將步驟S32中的解調信號梯度的平方L²范數，估計各模態的信號的帶寬，受約束的變分模態分解問題如下：

式中，{u_k}＝{u₁，…，u_K}，{w_k}＝{w₁,…,w_K}；k＝1,2,3…K，表示對t求偏導，f(t)表示原始輸入信號。