一种基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法技术

本发明专利技术涉及涉及电气工程的技术领域，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，首先获取风速历史数据并对数据做预处理，然后利用互补经验模态分解和变分模态分解将历史风速数据分解成一系列拥有特定稀疏属性的离散模态；接着采用遗传算法优化离群鲁棒极限学习机的预测模型对所有子序列进行单步预测；最后叠加所有子序列的预测值，得到实际预测结果。本发明专利技术利用互补经验模态分解和变分模态分解的二层分解减少风速序列的非平稳性和非线性问题，采用遗传算法优化离群鲁棒极限学习机组成混合模型进行单步预测，降低了风速序列复杂特性对预测结果的影响，提高了短期风速预测的精度，解决了神经网络的局部最优问题。

A Short-term Wind Speed Prediction Method Based on CEEMD-VMD-GA-ORELM Model

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(CEEMD)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(VMD)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(GA)优化离群鲁棒极限学习机(ORELM)神经网络的预测模型(CEEMD-VMD-GA-ORELM)；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(CEEMD-VMD-GA-ORELM)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。本专利技术的基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法，优选地，步骤S10中，所述风速历史数据包括500～900点风速数据。优选地，步骤S10中，所述风速历史数据包括700点风速数据。优选地，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，m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。优选地，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：优选地，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表示第k个模态的角频率；S33.将步骤S32中的解调信号梯度的平方L2范数，估计各模态的信号的带宽，受约束的变分模态分解问题如下：式中，{uk}＝{u1，…，uK}，{wk}＝{w1，…，wK}；k＝1，2，3…K，表示对t求偏导，f(t)表示原始输入信号。优选地，步骤S33中，变分模态分解问题的求解包括以下步骤：S331.引入二次罚函数项a和拉格朗日乘子算子λ(t)，可以将步骤S30中的约束问题转换为无约束问题，形成了扩展拉格朗日表达式，如下式：S332.初始化参数和n；其中，{uk}＝{u1，…，uK}表示k个模态函数，表示这k个模态函数的初值，{wk}＝{w1，…，wK}表示第k个中心频率，表示这第k个中心频率的初值，是拉格朗日乘法算子的初值，n为迭代次数；S333.采用交替乘子方向法解决变分模态分解的问题，通过交替更新以及λn+1寻求扩展拉格朗日表达式的鞍点；uk和wk分别由以下公式进行更新：λ采用进行更新：S334.对于给定的判别精度e＞0：若则停止迭代，获得一个分量U1；S335.重复步骤S333和S334就可获得其余分量U2、U3、…、Un。优选地，步骤S50中，按以下步骤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：S51.种群初始化，随机产生n组神经网络的初始权值及初始阈值组合；遗传算法初始化种群中，每一个个体包括神经网络的权值和阈值；个体通过实数编码，为一个实数字符串，对三层神经网络，确定输入层、中间隐含层、输出层之间的权值以及中间隐含层及输出层的阈值；遗传算法适应度函数为：其中，n为神经网络输出层节点数，yi、oi分别为第i个节点的实际输出及经过系统预测输出结果，f为个体的适应度，a为基因的编码，b为在区间[0，1]随机数；S52.通过选择操作、交叉操作与变异操作产生下一代；S53.若达到收敛条件，则将收敛的最好染色体作为神经网络的初始权值和初始阈值，完成对神经网络的优化；若未达到收敛条件，则返回步骤S52。优选地，步骤S52中，产生下一代的具体步骤包括：S521.选择操作采用轮盘赌方法，个体选择的概率为：式中，N为算子个数，f(i)为个体i的适应度；S522.交叉操作采用实数交叉法，交叉过程为对第m和第n个染色体在第k位交叉操作为：式中，b为在区间[0，1]随机数，a为基因的编码；S523.对个体i中第j个基因aij进行变异操作为：式中，amax、amin分别表示基因aij的上界与下界；其中，r2为[0，1]之间产生的随机数，g当前算子迭代数，Gmax为最大进化次数。与现有技术相比，本专利技术的有益效果是：(1)本专利技术利用互补经验模态分解和变分模态分解的二层分解减少风速序列的非平稳性和非线性问题，采用遗传算法优化离群鲁棒极限学习机组成混合模型进行单步预测，降低了风速序列复杂特性对预测结果的影响，提高了短期风速预测的精度；(2)本专利技术利用互补经验模态分解和变分模态分解的二层分解技术对原始风速进行分解，采用遗传算法优化的离群鲁棒极限学习机神经网络模型对风速进行预测，有效解决了复杂的数据序列，同时解决了神经网络的局部最优本文档来自技高网...

【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