[發明專利]基于CEEMD和改進SSA-LSSVM的預測方法

在審

• 申請號: 202111066960.4
• 申請日: 2021-09-13
• 公開（公告）號: CN113836801A
• 公開（公告）日: 2021-12-24
• 發明（設計）人: 常雨芳;朱自銘;張惠雯;楊子瀟;潘風;王浩源;張鳳順;朱禛浩;胡宇博;黃文聰
• 申請（專利權）人: 湖北工業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/25;G06N20/10;G06Q10/04;G06F113/06;G06F119/06
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 彭艷君

1.基于CEEMD和改進SSA-LSSVM的預測方法，其特征在于：包括以下步驟：

步驟1、獲取歷史風功率數據和時間特征因素，并對數據進行預處理；

步驟2、對經過預處理的歷史風功率數據進行改進的完備總體經驗模態分解CEEMD，得到多個內涵模態分量IMF和殘余信號，并分別作為改進SSA-LSSVM預測模型的輸入；

步驟3、將CEEMD-SSA-LSSVM的預測結果分為訓練集預測結果和測試集訓練結果，將訓練集預測結果輸入到改進SSA參數尋優中獲得最優的核函數參數和懲戒參數，再將最優值輸入改進SSA-LSSVM預測模型中得到一個最優的SSA-LSSVM預測模型，最終將測試集訓練結果代入得到預測結果；

步驟4、采用改進SSA-LSSVM預測模型分別對多個內涵模態分量IMF和殘余信號進行訓練建模，得到多個針對內涵模態分量和殘余信號的子模型，即基于CEEMD和改進SSA-LSSVM的超短期風功率預測模型；

步驟5、利用訓練生成的風功率預測模型對在預測時間內風功率的各內涵模態分量IMF進行預測，得到各分量預測結果，并將每個分量預測的結果求和，得到預測時間內的風功率預測結果。

2.根據權利要求1所述基于CEEMD和改進SSA-LSSVM的預測方法，其特征在于：步驟1所述對數據進行預處理是對歷史時刻的風功率數據進行歸一化處理；將數據轉化為[0，1]之間的數值；風功率數據歸一化表達式為：

v₂為歸一化后的風功率值，v₁為原始風功率值，v_min為樣本數據中風功率的最小值，v_max為樣本數據中風功率的最大值。

3.根據權利要求1所述基于CEEMD和改進SSA-LSSVM的預測方法，其特征在于：步驟2的實現包括對經過預處理的歷史風功率數據進行CEEMD分解，其分解步驟為：

步驟2.1、將多組均值為0，絕對值相等的白噪聲信號n_i(t)和-n_i(t)分別添加至原始信號x(t)，得到多組添加噪聲后的信號和

步驟2.2、將所有添加噪聲后的信號和進行CEEMD法分解得到各自的內涵模態分量序列；

步驟2.3、集合平均上述所有的內涵模態分量序列，得到原始信號x(t)的所有集合平均分量；

步驟2.4、計算所有平均分量排列熵值，并依次判斷排列熵值是否大于閾值0.6，如果排列熵值大于閾值，則對應的平均分量為異常分量；檢測下一個分量的排列熵值，直到出現某個平均分量不是異常分量，此時這一個平均分量前所有的分量從原始信號x(t)中分離出來；

步驟2.5、最后對殘余信號分量進行CEEMD分解，將得到的IMF分量按照從高頻到低頻的順序排列。

4.根據權利要求1所述基于CEEMD和改進SSA-LSSVM的預測方法，其特征在于：步驟3的實現包括利用步驟1采用CEEMD分解得到的多個IMF分量，采用基于改進麻雀算法優化的LSSVM模型對每個IMF分量進行預測，并將每個分量預測的結果求和，得到預測時間內的風功率預測結果，麻雀算法優化LSSVM模型的具體步驟為：

步驟3.1、選取一組IMF分量數據，并將序列的前80％作為訓練集，后20％用作測試集；

步驟3.2、創建LSSVM回歸網絡，指定LSSVM層的隱含單元個數為288；

步驟3.3、初始化麻雀算法的學習率、維度、迭代次數、種群數，并確定迭代次數；

步驟3.4、訓練LSSVM，得到合適的LSSVM模型，IMF分量數據當作輸入，輸出當作預測結果；

步驟3.5、將上述得到的預測結果與實際值的均方差作為適應度，計算所有種群對應的適應度，將其中最小適應度作為本次最優適應度，并和全局最優適應度進行比較，如果全局最優適應度較小，則將全局最優適應度作為本次最優適應度，反之，則不用替換；

步驟3.6、迭代過程開啟，利用麻雀算法更新下一個新的種群的學習率；

步驟3.7、重復步驟3.5-步驟3.6，直到迭代次數為最大值；

步驟3.8、輸出最優結果對應的學習率。