基于两阶段分解与极限学习机的短期风速预测方法技术

本发明专利技术涉及风速短期预测技术领域，公开了一种基于两阶段分解与极限学习机的短期风速预测方法，其中两阶段分解法主要用于对原始风速系列进行分解，在分解过程中，首先利用CEEMDAN将原始风速序列分解成一系列具有不同频率的本征模态分量，然后利用VMD对频率最高的本征模态分量进行二次分解以降低CEEMDAN高频分量对预测结果的影响，得到一系列变分模态，最后采用极限学习机模型对两阶段分解得到的各子序列进行预测，并对预测结果进行累加重构，得到原始风速序列的预测值。本发明专利技术能够初步对风速时间序列的随机波动进行处理，减少风速时间序列的强非线性和非平稳性对预测结果的影响，进一步提高极限学习机预测模型的预测精度。

【技术实现步骤摘要】
基于两阶段分解与极限学习机的短期风速预测方法
本专利技术涉及风速短期预测
，特别涉及一种基于两阶段分解与极限学习机的短期风速预测方法。
技术介绍
现有风速预测方法主要可以分为物理模型、时间序列模型和人工智能模型。其中物理模型主要是指数值天气预报(NWP)模型。NWP模型的构建需要从气象站或卫星获得包括温度、地形湿度、气压、风速和风向等气象数据，这使得NWP模型的构建变得困难和耗时。此外，由于NWP模型通长需要求解复杂的数学模型，加大了NWP建模的时间成本。时间序列模型和人工智能模型能够根据历史输入和输出之间的映射关系得到风速的预测值，其建模过程更简单，数据需求量更小。时间序列模型主要包括自回归滑动平均(ARMA)模型、自回归积分滑动平均(ARIMA)模型以及具有外生项的ARIMA(ARIMAX)模型等。时间序列模型通常要求风速时间序列是平稳的且服从正态分布，然而风速时间序列一般具有非线性和非平稳的特点，因此，运用时间序列模型对风速时间序列进行预测的能力有限。人工智能模型是一类非线性黑箱模型，主要包括人工神经网络(ANN)、模型、支持向量机(SVM)模型、自适应神经模糊推理系统(ANFIS)模型等。ANN模型主要包括反向传播神经网络(BPNN)模型、径向基函数神经网络(RBF)模型，广义回归神经网络(GRNN)模型，Elman神经网络模型和多层前馈神经网络(MLF)模型的极限学习机(ELM)模型等。其中ELM模型以其训练速度快、泛化性能好而著称，近年来在风速预测中得到了广泛的应用。单一人工智能模型在短期风速预测领域取得了丰硕的成果，但单一机器学习模型仍不足以捕捉短期风速时间序列的非线性特征，仍存在很大的改进空间，在单一人工智能模型的基础上，有必要发展多科学交叉应用的混合风速预测方法。
技术实现思路
专利技术目的：针对现有技术中存在的问题，本专利技术提供一种基于两阶段分解与极限学习机的短期风速预测方法，能够初步对风速时间序列的随机波动进行处理，减少风速时间序列的强非线性和非平稳性对预测结果的影响，进一步提高极限学习机预测模型的预测精度。技术方案：本专利技术提供了一种基于两阶段分解与极限学习机的短期风速预测方法，其特征在于，包括以下步骤：步骤一：采集风场历史实测数据建立风速时间序列X(t)，根据该风速时间序列X(t)的数据情况将其分为训练样本和检验样本；步骤二：采用CEEMDAN分解将所述风速时间序列X(t)分解为几个不同频率的本征模态分量和一个残差序列；CEEMDAN对所述风速时间序列X(t)的分解过程如下：(1)在所述风速时间序列X(t)的基础上生成一组加噪序列：Xi(t)＝X(t)+p0ωi(t)(1)式中，Xi(t)表示加噪序列，X(t)是风速时间序列；ωi(t)(i＝1，...，I)表示一组均值为0，方差为1的高斯白噪声，其中I表示实现次数，即添加了白噪声的序列数，1次EMD分解称为1次实现；p0是控制附加噪声和原始信号信噪比的噪声系数；(2)利用EMD分解对每一个Xi(t)进行分解，得到第一次EMD分解的本征模态分量IMF1i(t)，则CEEMDAN的第一阶本征模态分量为：(3)计算CEEMDAN分解的第一阶残余信号并引入加噪第一阶分量与残余信号组成新的待分解信号r1(t)+p1E1(wi(t))，继续用EMD分解得到第一个本征模态分量，计算CEEMDAN的第二阶本征模态分量：式中，E1(·)表示求EMD分解第一个本征模态分量的函数，p1表示噪声系数；(4)重复步骤(3)直到残差信号的极值点个数不超过两个时分解完成；步骤三：采用变分模态分解VMD将CEEMDAN分解所得的频率最高的本征模态分量进行二次分解，得到一系列具有不同中心频率的变分模态uk；采用中心频率观察法确定变分模态的个数K，令K＝1，2，...，k，采用VMD对频率最高的本征模态分量信号进行分解，若当K＝k时，VMD分解的变分模态的中心频率比较相近，则K＝k-1为最终选取的变分模态个数；采用残差评价指标REI选取合适的τ；步骤四：根据偏自相关函数PACF确定经CEEMDAN和VMD两阶段分解所得的所有子序列预测模型的输入变量，并确定输出变量；步骤五：将步骤四确定的输入以及输出变量归一化，并利用训练样本训练极限学习机模型；步骤六：将所述检验样本输入训练好的极限学习机模型并将得到的预测值反归一化得到各子序列的预测值，对所有子序列的预测值求和得到风速时间序列的预测值；步骤七：采用均方根误差RMSE，平均绝对误差MAE和平均绝对尺度误差MASE三个评价指标评价风速时间序列预测模型的性能。进一步地，所述步骤三的具体步骤如下：VMD将一维时间序列x(t)分解成K个有限带宽的变分模态uk(k＝1，2，...，K)，假设每个变分模态uk的中心频率为ωk，为了确定VMD分解的每一组uk和ωk，需要求解如下约束优化问题：式中，{uk}：＝{u1，...，uK}表示变分模态集合，{ωk}：＝{ω1，...，ωK}表示变分模态对应的中心频率，表示求导符号，δ(t)表示Dirac分布，j表示虚数单位，*表示卷积运算；引入二次惩罚因子α和Lagrange乘子λ求解上述约束优化问题，则原优化问题的增广Lagrange函数可以描述为：式(5)中的无约束最优化问题可以通过交替方向乘子法求解，得到不同的变分模态和对应的中心频率，其中时域中的变分模态uk可以通过傅里叶等距变换转化至频域：式中，ω为频率，为信号x(ω)的傅里叶变换，为λ(ω)的傅里叶变换，表示的傅里叶变换，iff(·)表示求傅里叶逆变换的函数，表示求解析信号的实部；中心频率ωk的更新方式如下：式中，表示uk(ω)的傅里叶变换；通过不停地迭代计算式(6)和(8)得到VMD分解的输出如式(7)所示，其中，第n次迭代中的Lagrange乘子根据下式更新：式中，τ为迭代系数。进一步地，在所述步骤三中，所述REI通过下式计算：式中，i为样本点的序号，N为样本点的总个数，x(i)为原始时间序列，uk(i)为原始时间序列VMD分解的第k个变分模态。优选地，令τ＝0∶0.01∶1，计算不同τ值下的REI，选取REI最小的τ值为最优值。风速时间序列预测一般要求REI指标最小，令τ＝0∶0.01∶1，计算不同τ值下的REI，选取REI最小的τ值为最优值。优选地，在所述步骤四中，对于每个子序列，计算不同时间延迟下的PACF值，选择PACF值在95％置信水平之外的历史序列作为预测输入变量，最大时间延迟为48。优选地，在所述步骤五中，极限学习机模型的隐含层结点个数采用网格搜索(GS)算法确定，GS算法的搜索范围设为[m，2n+20]，搜索步长为1，n表示输入层结点个数，ifn＞10，m＝2n-20，elsen＝1。优选地，在所述步骤七中，RMSE、MAE和MASE的定义如下：式中，qp(i)和qo(i)分别表示风速时间序列第i个样本的预测值和实测值，N表示样本点个数。有益效果：本专利技术针对短期风速时间序列的非线性和非平稳性，本专利技术提出了一种基于两阶段分解和极限学习机的短期风速预测模型，其中两阶段分解法主要用于对原始风速系列进行分解，在分解过程中，首先利用CEEMDAN将原始风速序列分解成一系列具有不同频率的本征模态分量，然后利用VM本文档来自技高网...

【技术保护点】
1.一种基于两阶段分解与极限学习机的短期风速预测方法，其特征在于，包括以下步骤：步骤一：采集风场历史实测数据建立风速时间序列X(t)，根据该风速时间序列X(t)的数据情况将其分为训练样本和检验样本；步骤二：采用自适应噪声完备集合经验模态分解CEEMDAN将所述风速时间序列X(t)分解为几个不同频率的本征模态分量；CEEMDAN对所述风速时间序列X(t)的分解过程如下：(1)在所述风速时间序列X(t)的基础上生成一组加噪序列：Xi(t)＝X(t)+p0ωi(t)   (1)式中，Xi(t)表示加噪序列，X(t)是风速时间序列；ωi(t)(i＝1，...，I)表示一组均值为0，方差为1的高斯白噪声，其中I表示实现次数，即添加了白噪声的序列数，1次EMD分解称为1次实现；p0是控制附加噪声和原始信号信噪比的噪声系数；(2)利用EMD分解对每一个Xi(t)进行分解，得到第一次EMD分解的本征模态分量IMF1i(t)，则CEEMDAN的第一阶本征模态分量为：

【技术特征摘要】
1.一种基于两阶段分解与极限学习机的短期风速预测方法，其特征在于，包括以下步骤：步骤一：采集风场历史实测数据建立风速时间序列X(t)，根据该风速时间序列X(t)的数据情况将其分为训练样本和检验样本；步骤二：采用自适应噪声完备集合经验模态分解CEEMDAN将所述风速时间序列X(t)分解为几个不同频率的本征模态分量；CEEMDAN对所述风速时间序列X(t)的分解过程如下：(1)在所述风速时间序列X(t)的基础上生成一组加噪序列：Xi(t)＝X(t)+p0ωi(t)(1)式中，Xi(t)表示加噪序列，X(t)是风速时间序列；ωi(t)(i＝1，...，I)表示一组均值为0，方差为1的高斯白噪声，其中I表示实现次数，即添加了白噪声的序列数，1次EMD分解称为1次实现；p0是控制附加噪声和原始信号信噪比的噪声系数；(2)利用EMD分解对每一个Xi(t)进行分解，得到第一次EMD分解的本征模态分量IMF1i(t)，则CEEMDAN的第一阶本征模态分量为：(3)计算CEEMDAN分解的第一阶残余信号并引入加噪第一阶分量与第一阶残余信号组成新的待分解信号r1(t)+p1E1(wi(t))，继续用EMD分解得到第一个本征模态分量，计算CEEMDAN的第二阶本征模态分量：式中，E1(·)表示求EMD分解第一个本征模态分量的函数，p1表示噪声系数；(4)重复步骤(3)直到残差信号的极值点个数不超过两个时分解完成；步骤三：采用变分模态分解VMD将CEEMDAN分解所得的频率最高的本征模态分量进行二次分解，得到一系列具有不同中心频率的变分模态uk；采用中心频率观察法确定变分模态的个数K，令K＝1，2，...，k，采用VMD对频率最高的本征模态分量进行分解，若当K＝k时，VMD分解的变分模态的中心频率比较相近，则K＝k-1为最终选取的变分模态个数；采用残差评价指标REI选取合适的τ；步骤四：根据偏自相关函数PACF确定经CEEMDAN和VMD两阶段分解所得的所有子序列预测模型的输入变量，并确定输出变量；步骤五：将步骤四确定的输入以及输出变量归一化，并利用训练样本训练极限学习机模型；步骤六：将所述检验样本输入训练好的极限学习机模型并将得到的预测值反归一化得到各子序列的预测值，对所有子序列的预测值求和得到风速时间序列的预测值；步骤七：采用均方根误差RMSE，平均绝对误差MAE和平均绝对尺度误差MASE三个评价指标评价风速时间序列预测模型的性能。2.根据权利要求1所述的基于两阶段分解与极限学习机的短期风速预测方法，其特征在于，所述步骤三的具体步骤如下：VMD将一...

【专利技术属性】
技术研发人员：彭甜，张楚，夏鑫，薛小明，张涛，杜董生，王浩，梁川，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：江苏,32