[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
地址：	510006 廣東***	國省代碼：	廣東;44
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	短期風速預測風速經驗模態分解遺傳算法優化極限學習機單步預測預測結果子序列分解分模魯棒預處理非線性問題電氣工程非平穩性復雜特性混合模型歷史風速歷史數據神經網絡數據分解預測模型離散模二層稀疏疊加預測
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【說明書】：

本發明涉及涉及電氣工程的技術領域，更具體地，涉及一種基于CEEMD?VMD?GA?ORELM模型的短期風速預測方法，首先獲取風速歷史數據并對數據做預處理，然后利用互補經驗模態分解和變分模態分解將歷史風速數據分解成一系列擁有特定稀疏屬性的離散模態；接著采用遺傳算法優化離群魯棒極限學習機的預測模型對所有子序列進行單步預測；最后疊加所有子序列的預測值，得到實際預測結果。本發明利用互補經驗模態分解和變分模態分解的二層分解減少風速序列的非平穩性和非線性問題，采用遺傳算法優化離群魯棒極限學習機組成混合模型進行單步預測，降低了風速序列復雜特性對預測結果的影響，提高了短期風速預測的精度，解決了神經網絡的局部最優問題。

技術領域

本發明涉及電氣工程的技術領域，更具體地，涉及一種基于CEEMD-VMD-GA-ORELM模型的短期風速預測方法。

背景技術

風電作為一種可再生清潔能源，近幾年來在我國得到大規模發展，同時，風力發電所具有的隨機性、間歇性和波動性對電網的穩定和經濟運行帶來安全隱患。準確的風速預測結果可以為規劃和調度提供有力的依據，也已成為大規模風電并網后能量管理系統的重要組成部分。

目前，風速預測可分為短期、中期和長期預測，在工程上的意義也各不相同。短期風速預測是含風電的電力系統經濟調度的重要依據，常用的短期風速預測模型包括時間序列模型，人工智能模型和混合模型。與常規的神經網絡模型相比，采用遺傳算法(GA)優化后的神經網絡模型彌補了很多不足，它避免了神經網絡的參數陷入局部最優的缺陷，提高了神經網絡的泛化能力，所以可用于短期風速預測，然而，由于風速序列具有非平穩性和非線性的復雜特性，單一的預測模型一方面容易陷入局部最優的問題，一方面很難處理風速的高度非線性對預測結果的影響，而導致不能準確預測風速。

發明內容

本發明的目的在于克服現有技術的不足，提供一種基于互補經驗模態分解和變分模態分解的短期風速預測方法，互補經驗模態分解(CEEMD)和變分模態分解(VMD)的二層分解技術將原始風速分解成一系列模態，再采用預測模型進行預測，能夠提高風速預測模型的泛化能力和預測精度。

為解決上述技術問題，本發明采用的技術方案是：

提供一種基于CEEMD-VMD-GA-ORELM模型的短期風速預測方法，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(CEEMD)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(VMD)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(GA)優化離群魯棒極限學習機(ORELM)神經網絡的預測模型(CEEMD-VMD-GA-ORELM)；

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(CEEMD-VMD-GA-ORELM)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。

本發明的基于CEEMD-VMD-GA-ORELM模型的短期風速預測方法，

優選地，步驟S10中，所述風速歷史數據包括500～900點風速數據。