【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。