The invention relates to a hybrid prediction method considering wind speed correlation based on wavelet decomposition components, the original data is divided into training set and test set; the training set is divided into several sub sequences according to the correlation coefficient of the original data sequence and identify false sub sequences, and the rejection of the corresponding prediction model of residual. Sub sequence, to predict the n+1 data through the sub sequences first to N data; each sub sequence of the prediction stack section
【技术实现步骤摘要】
一种基于考虑分量关联性小波分解的混合风速预测方法
本专利技术涉及风速预测
,具体为一种基于考虑分量关联性小波分解的混合风速预测方法。
技术介绍
由于风能可再生,无污染和丰富大量的特点,其在温室气体减排和取代化石燃料中起着重要作用。全球风能委员会预计,在全球电力供应中风能占比将在2020年达到12%,2030年达到22%。然而由于风速时间序列的随机性,非线性和非平稳性,如何完全实现将风力发电应用于多源能源网络仍有很大的困难,如产能计划和风机维护等。为了提高风速预测的准确性,大量的预测方法发展了起来。主要分为三类:物理方法,时间序列方法和基于人工智能的方法。物理方法预测风速时考虑了气象因素如地形,大气压和环境温度。数值天气预报(NumericalWeatherPredictionNWP)作为物理法的代表而被广泛应用。但它通常是用于长期风速预测不适于短期风速预测。时间序列的方法利用历史数据来预测风速,包括自回归模型(ARAutoregressive),自回归移动平均模型(AutoregressiveMovingAverageARMA),差分自回归移动平均模型(AutoregressiveIntegratedMovingAverageModelARIMA)和分数差分自回归移动平均模型(FractionalAutoregressiveIntegratedMovingAverageModelFARIMA)。尽管这些方法可以很好地捕捉到风速数据中的线性关系,但不能很好的揭示其中的非线性特征。基于人工智能的方法能够的揭示风速时间序列中的非线性特征,建立输入值和输出值 ...
【技术保护点】
一种基于考虑分量关联性小波分解的混合风速预测方法,其特征在于,包括以下步骤:步骤1:将原始数据分为两部分,包括训练集:{x(1),…,x(n)};测试集{x(n+1),…,x(n+N)};步骤2:测试集视为未知,建立DWT或EMD模型将训练集分解为若干子序列{cj(1),…,cj(n)},j=1…M+1;步骤3:进行子序列和原始序列的相关性分析,根据子序列和原始数据的相关系数识别虚假子序列:若相关系数超过所选阈值,则剔除相应的子系列,否则应保留相应的子系列;步骤4:对剩余子序列建立LSSVM或LSSVM‑GARCH预测模型,通过子序列中第1至n个数据来预测第n+1个数据:
【技术特征摘要】
1.一种基于考虑分量关联性小波分解的混合风速预测方法,其特征在于,包括以下步骤:步骤1:将原始数据分为两部分,包括训练集:{x(1),…,x(n)};测试集{x(n+1),…,x(n+N)};步骤2:测试集视为未知,建立DWT或EMD模型将训练集分解为若干子序列{cj(1),…,cj(n)},j=1…M+1;步骤3:进行子序列和原始序列的相关性分析,根据子序列和原始数据的相关系数识别虚假子序列:若相关系数超过所选阈值,则剔除相应的子系列,否则应保留相应的子系列;步骤4:对剩余子序列建立LSSVM或LSSVM-GARCH预测模型,通过子序列中第1至n个数据来预测第n+1个数据:叠加各个子序列预测得的第n+1个数据获得最终预测结果:步骤5:更新训练集为{x(2),…,x(n+1)},将更新后的训集分解为若干新的子序列({cj(2),…,cj(n+1)},j=1…M+1);建立LSSVM模型预测第n+2数据,叠加各个子序列的预测得第n+2个数据获得预测值步骤6:遵循步骤5过程继续进行超前一步预测,直到完成所有预测;步骤7:评估预测误差。2.根据权利要求1所述的基于考虑分量关联性小波分解的混合风速预测方法,其特征在于,根据DWT模型将训练集分解为若干子序列的具体方法包括:利用DWT在指定的小波基函数的基础上将信号{x(t)}分解成若干频率带分量:其中,M是分量层数,cj(t)(i=1,2,…,M)表示第j层细节分量,cM+1(t)表示逼近分量,且随着层数的增加,频率逐渐降低。3.根据权利要求1所述的基于考虑分量关联性小波分解的混合风速预测方法,其特征在于,根据EMD模型将训练集分解为若干子序列的具体方法包括:通过一个迭代筛选过程可将信号x(t)分解成若干个本征模态方程和一个残量:其中,M是分量层数,cj(t)(j=1,2,…,M)表示第j层的本征模态函数,cM+1(t)表示残量。4...
【专利技术属性】
技术研发人员:黄国庆,姜言,彭新艳,宋淳宸,李永乐,
申请(专利权)人:西南交通大学,
类型:发明
国别省市:四川,51
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。