基于CAPSO‑RVM组合模型的短期风速预测方法技术

本发明专利技术公开了一种基于CAPSO‑RVM组合模型的短期风速预测方法。首先，对经过预处理的风速时间序列进行总体经验模态分解，获得相对稳定的本征模态函数(IMF)分量和剩余(RES)分量；其次，利用样本熵理论将本征模态函数分量和剩余分量重构成趋势分量、细节分量和随机分量这三个具有典型特性的新分量；然后，利用云自适应粒子群优化算法(CAPSO)来确定相关向量机的核函数；最后，对重构后的各新分量采用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。采用本发明专利技术，能降低风速的预测误差，使预测结果更可靠准确。

Short term wind speed forecasting method based on RVM CAPSO combination model

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、待优化核参数少、核函数选择灵活、模型泛化能力强等优点，已应用于负荷预测、故障分类、模式识别等领域。将相关向量机应用于风速区间预测的几乎没有，即使有也只是单独应用，没有与其他方法相结合，但其独立预测得到的短期风速预测结果不够精确，因而需要结合其他方法来提高它的性能。
技术实现思路
专利技术目的：本专利技术提出了一种基于CAPSO-RVM组合模型的短期风速预测方法，使风速预测所得结果可靠性和准确性更好。技术方案：本专利技术所述的基于CAPSO-RVM组合模型的短期风速预测方法，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。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。作为优化，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。作为优化，所述步骤(3)包括以下步骤；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定义如下：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。作为优化，所述步骤4包括以下步骤：(41)计算相关向量机的训练样本后验分布的方差和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)是一个非线性函数那么完整数据集为：其中，由于参数太多，在这里提供零均值高斯先验分布：在α是n+1维向量，每个权重分别对应一个超参数，从而控制允许偏差从零权重，因此权重公式的后验分布可以用先验概率分布和似然分布来表示：其中∑＝(σ-2ΦTΦ+A)-1,μ＝σ-2∑ΦTtandA＝diag(a0,a1,…aN)超参数的边缘似然分布如下：其中，Ω＝σ2I+ΦA-1ΦT超参数α和方差σ2可以通过最大似然算法近似：输入值为xi*时，则相应的输出概率分布服从高斯分布，相应的预测值为：(42)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:所述核函数为高斯核函数，其具体公式为：K(x,xi)＝exp(-||x-xi||2/δ2)其中，K(x,xi)表示内核函数，δ代表内核函数宽度；(43)检验当前迭代获得的超参数是否满足要求，若满足则此超参数为相关向量机预测模型参数，否则更新超参数，直到满足迭代要求或达到最大迭代次数，每个迭代拟合结果的评价方法如下：其中，Yi是训练数据在某一时刻的实际输出值；是第一天n的拟合输出值，n是历史数据的数量。所述步骤5的计算公式为：平均相对误差为：平均绝对误差为：均方根误差为：其中，yi是在某一时间内测试数据i天的实际输出值；是在某一时间内测试数据i天的预测值，N是历史数据的数目。有益效果：与已有技术相比，本专利技术的有益效果：1、采用总体经验模态分解降低数据的复杂度和风电序列内在的波动性；2、采用样本熵对IMF分量和RES分量进行重构，重构成三类具有典型特性的新分量，降低了预测模型的规模，明显缩短了运行时间；3、采用相关向量机模型进行预测，具有模型高度稀疏、待优化参数少、优化效率高的优点；4、采用云自适应粒子群优化算法对相关向量机方法进行改进优化，使用高斯核函数作为相关向量机的核函数，进一步提高预测结果的准确性。附图说明图1为本专利技术预测方法的流程图；图2为EEMD的分解结果示意图；图3为各份量的样本熵(SE)分布图；图4为重构后的新分量示意图。具体实施方式下面结合附图对专利技术的技术方案进行详细说明：为了便于说明本专利技术原理，本专利技术选取美国科罗拉多州2016年7月1日至2016年7月9日的风电场实测风速数据作为训练样本，每15分钟收集一次数据，然后建立了第二天(7月10日)的风速预测模型，提前15分钟预报。其具体过程如图1所示。首先，为减少训练时间，提高收敛速度，提高预测精度，对原始样本进行预处理，本专利技术采用数据归一化出理方法对样本数据进行处理，其计算公式如下：式中：x(i)是原始数据,xmin和xmax是每个变量的最小值和最大值。.其次，对已经处理过的原始风速时间序列进行总体经验模态分解，其分解结果如图2所示。新分量的组成成分及利用样本熵理论重构组每个分量，重组后的各新分量如表1所示。表1重组后的各分量得到新分量的样本熵值如图3所示，在图3中趋势分量的样本熵值显著低于原始序列，而随机成分的样本熵值明显高于原始序列，细节成分的样本熵值在原始序列SE值的阈值范围内，我们可以发现细节分量SE值在[本文档来自技高网...

【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