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

本发明专利技术涉及一种基于考虑分量关联性小波分解的混合风速预测方法，将原始数据分为训练集和测试集；将训练集分解为若干子序列，根据子序列和原始数据的相关系数识别虚假子序列，并将其剔除相应，对剩余子序列建预测模型，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

A hybrid wind speed forecasting method based on wavelet decomposition considering component correlation

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之间的非线性关系。其包括人工神经网络(ArtificialNeuralNetworkANN)，支持向量机(SupportVectorMachineSVM)，最小二乘支持向量机(LeastSquareSupportVectorMachineLSSVM)和模糊逻辑方法。由于风速序列具有极强的非线性特征，总的来说基于人工智能的预测准确性优于时间序列法。但是其模型参数需要更多的调整，也存在着着效率低下和过度拟合的问题。近年来基于分解的混合模型发展了起来，典型的分解法有经验模态分解(EmpiricalModeDecompositionEMD)，集合经验模态分解(EnsembleEmpiricalModeDecompositionEEMD)，快速集合经验模态分解(FastEnsembleEmpiricalModeDecompositionFEEMD)，离散小波变换(DiscreteWaveletTransformDWT)和小波包分解(WaveletPacketDecompositionWPD)，对分解后的子序列建立的风速预测模型如ARIMA，ANN，SVM和LSSVM模型。如采用递归ARIMA模型来预测EMD分解后的风速时间序列的各个子序列；如应用FEEMD可以提高EEMD在风速预测时的计算性能；再如结合两种分解方法(如DWT和WPD)和两种预测方法(时间序列和ANN)发展了三种不同的混合模型。其将DWT，WPD，EMD和FEEMD同极限学习机(ELMS)结合起来成为四种混合模型。相较于其他混合模型，基于分解的混合模型可以将非线性非平稳的风速时间序列分解成更加稳定和正规的子序列，优化预测结果。许多研究表明基于分解的混合方法优于没有分解的方法。然而上述结论来自一次性分解所有的数据，包括已知数据(训练数据)和未知数据(测试数据)。这意味着假设所求的未来的数据为已知的，有违风速预测的目的。为了避免这个问题，多项研究建议将原始数据分为训练集和测试集，对训练集进行实时分解。更具体地说，只能获得训练集中的数据，测试集的数据是未知的。每当获得新的数据，不断更新训练数据再重新分解。基于EMD的混合方法预测性能甚至不及未分解的方法。尽管这些研究提升了对基于分解法的认识，但其结论值得深入复审。
技术实现思路
基于上述问题，本专利技术的目的在于提供一种基于实时分解的在准确性和稳定性方面更优的基于考虑分量关联性小波分解的混合风速预测方法，技术方案如下：一种基于考虑分量关联性小波分解的混合风速预测方法，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j＝1…M+1，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。进一步的，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。更进一步的，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。更进一步的，所述步骤3中子序列和原始序列的相关系数表达如下：其中，x(t),t＝1,2…n为训练数据点；cj(t)是第j个子序列。更进一步的，所述超过所选阈值表示相关系数小于最大相关系数的绝对值的1/10更进一步的，所述步骤4中建立预测模型前，采用拉格朗日乘数LM检验误差项的异方差性，即其中，r2是拟合优度，H0是零假设，H1是备择假设；χ2(q)为服从q阶卡方分布；η1,η2…ηq为非负系数；式中残差遵循p阶和q阶的GARCH模型，记作GARCH(p,q)，p为ARCH项的阶数，q为GARCH项的阶数；若LM的统计值大于χ2(q)，则舍去零假设采用备择假设；表示误差成分存在异方差性，应建立LSSVM-GARCH预测模型，否则建立LSSVM预测模型。更进一步的，所述LSSVM-GARCH预测模型的建立方法包括：在LSSVM模型中，i时刻真值表达式为：其中yi，和ξi分别为真值，预测值和i时刻残差；如果ξi随时间而变化，则不能忽略其对预测结果的影响，GARCH模型的结构为：其中，υi是一个均值为0方差为1的白噪声序列，ηl和为非负系数；hi为i时刻条件方差，为系数，hi-k为i-k时刻条件方差；ξi-l为i-l时刻残差。本专利技术的有益效果是：本专利技术根据子序列和原始序列的相关性，识别并剔除虚假序列，降低了子序列虚假本文档来自技高网...

【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