The invention discloses a forecasting method of short-term wind speed CAPSO RVM based on combination model. First of all, on the wind speed time series pretreatment for the overall empirical mode decomposition, to obtain a relatively stable intrinsic mode function (IMF) component and residual component (RES); secondly, the sample entropy of intrinsic mode function and residual components into trend component, details and random components of the three new has the typical characteristics of components; then, the use of cloud adaptive particle swarm optimization algorithm (CAPSO) to determine the kernel functions of relevance vector machine; finally, the new component is reconstructed by CAPSO RVM respectively set up interval prediction model and the prediction of each part of the results obtained by combining the final prediction value. Using this invention, the prediction error of wind speed can be reduced and the prediction results are more reliable and accurate.
【技术实现步骤摘要】
基于CAPSO-RVM组合模型的短期风速预测方法
本专利技术涉及一种短期风速预测方法,尤其涉及一种基于CAPSO-RVM组合模型的短期风速预测方法。
技术介绍
风能因可再生、无污染、低价格和高收益的特点,已成为当今世界上增长最快的可再生资源,其发展得到了世界范围内众多学者的关注,但其中关于风电场风速的预测的研究还达不到令人满意的程度。截止到2015年底,全球风力发电装机容量达到432419兆瓦,比上年增长22%。随着风力发电技术的发展,越来越多的风力涡轮机连接到电网和网络操作,但因为风力发电的间歇性和随机性固有的缺陷,其发展对电力系统的安全、稳定运行和供电质量带来了严峻的挑战,限制了风电发展规模。准确的风速预测不仅有利于风电场计划的调度,减轻风电对电网的影响,还可以降低电力系统运行成本。现阶段研究者已经开发了许多预测风速的方法,如持续性算法、线性回归模型、差分自回归滑动平均算法、卡尔曼滤波法、神经网络以及模糊专家系统等。以上预测方法都有一个共同的特点,即它们都只需知道所预测地点的单一风速的时间序列,经过对该时间序列进行出理,就可以建立预测模型,进而对未来风速进行预测,历史数据收集以及预测过程中的数据实时采集带来方便,所需数据单一,便于实现,但在一定程度上影响预测精度。之后研究者想到将多种方法进行组合,如基于模糊推理和人工神经网络方法的组合模型,基于小波变换、人工神经网络和进化算法的组合模型,基于自回归AR、移动平均的外生变量和粒子群搜索法的组合模型,以及ANN和ANFIS的组合模型,在实际应用中,这些组合模型的优越性越来越明显。相关向量机具有模型高度稀疏、 ...
【技术保护点】
一种基于CAPSO‑RVM组合模型的短期风速预测方法,其特征在于,包括以下步骤:(1)对原始风速时间序列进行预处理;(2)采用总体经验模态分解方法对经过预处理后原始风速时间序列进行分解,获得多个IMF分量和RES分量;(3)采用样本熵理论,对各IMF分量和RES分量进行重构,重构成趋势分量、细节分量、随机分量这三类具有典型特性的新分量;(4)利用云自适应粒子群优化算法来确定相关向量机的核函数,对各新分量采用CAPSO‑RVM分别建立区间预测模型,并将每一部分的预测结果相结合得到最终的预测值;(5)结合风速实际输出值,利用平均相对误差、平均绝对误差和均方根误差对模型的预测性能进行评估。
【技术特征摘要】
1.一种基于CAPSO-RVM组合模型的短期风速预测方法,其特征在于,包括以下步骤:(1)对原始风速时间序列进行预处理;(2)采用总体经验模态分解方法对经过预处理后原始风速时间序列进行分解,获得多个IMF分量和RES分量;(3)采用样本熵理论,对各IMF分量和RES分量进行重构,重构成趋势分量、细节分量、随机分量这三类具有典型特性的新分量;(4)利用云自适应粒子群优化算法来确定相关向量机的核函数,对各新分量采用CAPSO-RVM分别建立区间预测模型,并将每一部分的预测结果相结合得到最终的预测值;(5)结合风速实际输出值,利用平均相对误差、平均绝对误差和均方根误差对模型的预测性能进行评估。2.根据权利要求1所述的基于CAPSO-RVM组合模型的短期风速预测方法,其特征在于,在所述步骤(1)中,通过以下计算公式进行预处理:其中,x(i)是原始数据,xmin和xmax是每个变量的最小值和最大值。3.根据权利要求1所述的基于CAPSO-RVM组合模型的短期风速预测方法,其特征在于,所述步骤(2)包括以下步骤:(21)设定白噪声的幅值N和进行EMD分解的总次数M;(22)在原始序列数据中加入高斯白噪声;(23)按照EMD分解流程将已加入白噪声的数据序列进行分解得到一系列的IMF分量和一个RES余量;(24)重复的加入相同幅值的不同白噪声序列,重复步骤1.2和步骤1.3,对M次EMD分解得到的各个IMF分量及剩余分量计算均值;(25)输出ci(t)(i=1,2,…,m)和res(t)分别作为EEMD分解的IMF分量和RES分量。4.根据权利要求1所述的基于CAPSO-RVM组合模型的短期风速预测方法,其特征在于,所述步骤(3)中:设本征模态函数对应的时间序列为N是样本时间序列的数量,样本均值为时间序列Si为:设定样本熵值的阈值范围,根据相似性对EEMD所得到的IMF分量和RES分量进行重构,获得具有典型特征的趋势分量、细节分量和随机分量。5.根据权利要求1所述的基于CAPSO-RVM组合模型的短期风速预测方法,其特征在于,所述步骤(4)中:(41)计算相关向量机的训练样本后验分布的方差、后验分布权重及预测值;给定RVM模型的训练数据集xn(n=1,2,…,n),n是n维输入向量,tn是输出,RVM模型的输出可以被定义为:其中,ωi是模型的权重,K(x,xi)是...
【专利技术属性】
技术研发人员:郭勉,臧海祥,卫志农,王苗苗,孙国强,朱瑛,
申请(专利权)人:河海大学,
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。