[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

本發明屬于風功率預測技術，具體涉及基于CEEMD和改進SSA?LSSVM的預測方法，對歷史風功率數據進行預處理；對數據進行CEEMD分解，得到的結果分別作為改進SSA?LSSVM預測模型的輸入；獲得最優的SSA?LSSVM預測模型并得到預測結果；采用改進SSA?LSSVM預測模型進行訓練建模，得到基于CEEMD和改進SSA?LSSVM的超短期風功率預測模型；利用訓練生成的風功率預測模型對各內涵模態分量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。該方法抑制了預測模型的自相關性，改進麻雀算法容易陷入局部最優的難題，大大提高了風功率預測精度。

技術領域

本發明屬于風功率預測技術領域，特別涉及基于CEEMD和改進SSA-LSSVM的預測方法。

背景技術

風能作為一種清潔高效的綠色新能源，近年來越來越受到社會各界的關注，因為風能具有極大的隨機性和波動性，當電力系統有大規模風電并網時，這些特性會對電網的穩定運行造成很大的考驗。所以對短期內風電功率的預測成為了風電行業內熱點問題，這對于國家清潔能源發展具有重要意義。

由于風能發電的間歇性，不穩定性，并網后對于電網的沖擊很大，對風功率的預測可以幫助電力有關部門對風功率的變化做出相應的調整，可減小風電并網對電力系統的運行帶來的不利影響，因此對風功率的預測是很重要和有意義的。

目前對風功率預測的方法有很多，其中利用神經網絡對風功率進行預測成為當前一大熱點。但是，傳統的神經網絡對長期依賴信息的學習能力不足，會出現梯度消失等問題，并且風電功率數據是隨機性的，波動性的，直接對風電功率數據進行預測是不準確的。加上考慮實際氣象因素的影響，利用神經網絡對風功率進行預測與實際值相比會出現一些偏差。

基于完備總體經驗模態分解(Complementary Ensemble Empirical ModeDecomposition，CEEMD)改進麻雀算法(Sparrow Search Algorithm,SSA)優化最小二乘支持向量機(Least Squares Support Vector Machine，LSSVM)的預測方法，在一定程度上提高了預測精度和收斂速度，通過引入混沌序列和交換學習策略的麻雀算法對核函數參數和懲戒參數進行尋優，優化了傳統麻雀搜索算法在迭代后期種群的多樣性減少，容易陷入局部最優等難題。LSSVM預測模型時間序列存在自相關性，模型傾向把上一時刻的真實值當作下一時刻的預測值進行輸出，將會導致曲線存在滯后性，即真實值曲線滯后于預測值曲線。

發明內容

針對背景技術存在的問題，本發明提供一種采用CEEMD將原始時間序列進行分解，然后對每一個分量分別進行建模和預測，最后將各分量結果相加得到最終結果的方法。

為解決上述技術問題，本發明采用如下技術方案：基于CEEMD和改進SSA-LSSVM的預測方法，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；