The invention relates to the technical field of electrical engineering, and more specifically, to a short-term wind speed prediction method based on CEEMD VMD GA ORELM model. Firstly, historical wind speed data are obtained and preprocessed, and then historical wind speed data are decomposed into a series of discrete modes with specific sparse attributes by using complementary empirical mode decomposition and fractional mode decomposition. The genetic algorithm is used to optimize the prediction model of outlier robust limit learning machine to predict all sub-sequences in one step. Finally, the prediction values of all sub-sequences are superimposed to obtain the actual prediction results. The two-level decomposition of complementary empirical mode decomposition and variational mode decomposition is used to reduce the non-stationarity and non-linearity of wind speed series. The genetic algorithm is used to optimize the outlier robust limit learning machine to form a hybrid model for one-step prediction, which reduces the influence of complex characteristics of wind speed series on prediction results, improves the accuracy of short-term wind speed prediction, and solves the local problem of the neural network. Optimal problem.
【技术实现步骤摘要】
一种基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法
本专利技术涉及电气工程的
,更具体地,涉及一种基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法。
技术介绍
风电作为一种可再生清洁能源,近几年来在我国得到大规模发展,同时,风力发电所具有的随机性、间歇性和波动性对电网的稳定和经济运行带来安全隐患。准确的风速预测结果可以为规划和调度提供有力的依据,也已成为大规模风电并网后能量管理系统的重要组成部分。目前,风速预测可分为短期、中期和长期预测,在工程上的意义也各不相同。短期风速预测是含风电的电力系统经济调度的重要依据,常用的短期风速预测模型包括时间序列模型,人工智能模型和混合模型。与常规的神经网络模型相比,采用遗传算法(GA)优化后的神经网络模型弥补了很多不足,它避免了神经网络的参数陷入局部最优的缺陷,提高了神经网络的泛化能力,所以可用于短期风速预测,然而,由于风速序列具有非平稳性和非线性的复杂特性,单一的预测模型一方面容易陷入局部最优的问题,一方面很难处理风速的高度非线性对预测结果的影响,而导致不能准确预测风速。
技术实现思路
本专利技术的目的在于克服现有技术的不足,提供一种基于互补经验模态分解和变分模态分解的短期风速预测方法,互补经验模态分解(CEEMD)和变分模态分解(VMD)的二层分解技术将原始风速分解成一系列模态,再采用预测模型进行预测,能够提高风速预测模型的泛化能力和预测精度。为解决上述技术问题,本专利技术采用的技术方案是:提供一种基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法,包括以下步骤:S10.获 ...
【技术保护点】
1.一种基于CEEMD‑VMD‑GA‑ORELM模型的短期风速预测方法,其特征在于,包括以下步骤:S10.获取风速历史数据并对数据进行预处理得到原始数据序列x(t);S20.利用互补经验模态分解进行分解,将风速历史数据分解成一系列离散模态;S30.利用变分模态分解进行二次分解,将风速历史数据分解成一系列离散模态;S40.选择训练样本,建立遗传算法优化离群鲁棒极限学习机神经网络的预测模型;S50.对所有子序列均采用步骤S40中的遗传算法优化离群鲁棒极限学习机神经网络的预测模型进行单步预测;S60.叠加步骤S50中所有子序列的预测值,得到实际预测结果。
【技术特征摘要】
1.一种基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法,其特征在于,包括以下步骤:S10.获取风速历史数据并对数据进行预处理得到原始数据序列x(t);S20.利用互补经验模态分解进行分解,将风速历史数据分解成一系列离散模态;S30.利用变分模态分解进行二次分解,将风速历史数据分解成一系列离散模态;S40.选择训练样本,建立遗传算法优化离群鲁棒极限学习机神经网络的预测模型;S50.对所有子序列均采用步骤S40中的遗传算法优化离群鲁棒极限学习机神经网络的预测模型进行单步预测;S60.叠加步骤S50中所有子序列的预测值,得到实际预测结果。2.根据权利要求1所述的基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法,其特征在于,步骤S10中,所述风速历史数据包括500~900点风速数据。3.根据权利要求1所述的基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法,其特征在于,步骤S10中,所述风速历史数据包括700点风速数据。4.根据权利要求1所述的基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法,其特征在于,步骤S20中,互补经验模态分解按以下步骤进行分解:S21.基于经验模态分解方法,将原始数据序列x(t)分解成若干固有模态分量和余量,如下式:式中,为本征模态函数IMF总数;ci(t)为第i个IMF分量;rm(t)为余量;S22.基于集合经验模态分解方法,向原始数据序列x(t)中加入白噪声信号,加入的白噪声信号符合以下统计规律:式中,N是添加白噪声的集合数;ε是附加噪声的标准差;εm是最终标准偏差;S23.基于互补经验模态分解方法,向原始数据序列x(t)中加入正负成对形式的白噪声。5.根据权利要求4所述的基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法,其特征在于,步骤S23中,所述互补经验模态分解方法包括以下步骤:S231.在原始数据序列x(t)中加入一对幅值相同、相位角相差180°的随机白噪声序列:式中,μ为噪声的幅值,M为迭代次数,σm(t)为加入的白噪声序列;S232.通过经验模态分解方法对时间序列x1(t)和x2(t)分别进行分解,得到两种IMF和余项如下:式中,为分解得到的IMF分量;为余项;S233.求取分解结果的总体平均,得到最终的IMF分量ci和余项r:6.根据权利要求1所述的基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法,其特征在于,步骤S30中,所述变分模态分解的二次分解包括以下步骤:S31.对于原始输入信号f(t),利用希尔伯特变换,得到每个模态函数uk(t)的解析信号,并获得单变频谱其中,t表示第t时刻,k表示第k个模态,j表示虚数单位,σ(t)表示第k个模态在第t时刻的中心频率;S32.将每个模态的频谱以及各模态解析信号的混合以预估中心频率为基准调制到相应基频带其中wk表...
【专利技术属性】
技术研发人员:刘诗韵,殷豪,吴非,许锐埼,李皓,邵慧栋,
申请(专利权)人:广东工业大学,
类型:发明
国别省市:广东,44
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。