【技术实现步骤摘要】
本专利技术涉及风速预测，具体涉及一种基于ceemd-se-ewt双分解和arima组合预测的风速预测方法、系统、计算机介质及计算机。
技术介绍
1、风能是一种无污染和可再生的能源，是解决生产和生活能源的一种可靠途径，其作为新能源领域中技术最成熟、成本最低廉的发电方式之一，有着十分广阔的发展空间。然而，风速的间歇性、不稳定性造成产生能量大小的不稳定，极其影响风能的转化和利用，危害电力系统的稳定性和电力调度。准确的风速预测能降低风速不确定性对电力系统造成的风险，对风电场供电稳定、电力调度以及安全运营等方面具有重要意义。
2、近年来，国内外研究者采用多种模型对风速进行预测，主要包括单一预测和组合预测。常用到的单一预测模型根据预测原理主要分为物理方法、统计方法和机器学习方法三类。物理模型主要基于天气预报，适用于大规模地区的长期风速预测。机器学习方法主要包括支持向量机、神经网络、卡尔曼滤波等。统计方法包括自回归、自回归移动平均、差分自回归移动平均(arima)等。
3、然而，由于风速具有较强的波动性和随机性，单一预测模型的预测结果受风特性影响较大，从而导致预测精度不稳定。
4、因此，目前亟需一种能够将时间序列分解为相对平稳的子序列，分别对子序列进行预测，最终得到较为稳定预测结果的风速预测方法。
技术实现思路
1、专利技术目的：为了克服以上不足，本专利技术的目的是提供一种基于ceemd-se-ewt双分解和arima组合预测的风速预测方法，以实现提高风电场风
2、为解决上述技术问题，本专利技术提供了基于ceemd-se-ewt双分解和arima组合预测的风速预测方法，包括：
3、步骤s1：获取风电场历史风速数据，形成风速时间序列，并划分训练集和测试集；
4、步骤s2：将风速时间序列的数据进行互补集合经验模态分解，得到至少一本征模态分量和一残差序列；
5、步骤s3：计算所有本征模态分量和的残差序列的样本熵，判断各序列的复杂程度；
6、步骤s4：将计算出的样本熵值最高的序列进行经验小波分解，得到至少一具有较高分辨率的子序列；
7、步骤s5：将两次分解得到的所有子序列进行arima预测，得到各子序列的预测值；
8、步骤s6：将所有子序列的预测值进行叠加，得到原始风速时间序列的最终预测结果。
9、进一步地，在步骤s2中，所述方法还包括以下步骤：
10、步骤s21：在原始时间序列上分别加一对幅值相等、方向相反的高斯白噪声序列，重构成新的信号序列：
11、s1(t)＝x(t)+ε(t)
12、s2(t)＝x(t)-ε(t)
13、其中，x(t)表示原始时间序列，ε(t)表示高斯白噪声序列，s1(t)表示重构成的第一信号序列，s2(t)表示重构成的第二信号序列；
14、步骤s22：将重构的信号序列进行经验模态分解，分别得到有限个本征模态函数分量：
15、
16、
17、其中，cij(t)表示第i次加入白噪声，通过经验模态分解得到的第j个本征模态函数；ri(t)为经验模态分解后得到的残余项；
18、步骤s23：添加不同的高斯白噪声序列，重复步骤s21和步骤s22，得到多组本征模态函数分量和趋势项的集合；
19、步骤s24：计算所有组本征模态分量的集平均值，得到最终的模态分量：
20、
21、其中，cj(t)表示最终的模态分量。
22、进一步地，在步骤s3中，所述样本熵值的计算式为：
23、
24、其中，sampen表示样本熵值，m为维数，r为相似容限，am(r)为两个序列匹配m+1个点的概率，bm(r)是两个序列在相似容限r下匹配m个点的概率。
25、进一步地，在步骤s3中，所述方法还包括以下步骤：
26、步骤s31：设定风速时间序列位：x(i)，i＝1，2，3，...，n，且定义样本熵参数维数m和相似容限r；
27、步骤s32：重构m维向量xm(1)、xm(2)、xm(3)，...，xm(n-m+1)，计算每个序列与n-m+1个序列的距离，则两向量对应元素差值绝对值的最大值为：
28、
29、其中，j＝1，2，3，...，n，j≠i；
30、步骤s33：统计d[xm(i)，xm(j)]＜r的个数，并计算与总的个数n-m的比值：
31、
32、，进而计算在所有i值的平均值bm(r)：
33、
34、步骤s34：增加维数到m+1，重复步骤s32和步骤s33，以此，得到匹配m+1个点的概率am(r)、bm(r)，进而样本熵定义为：
35、
36、且当n为有限值时，样本熵为：
37、
38、其中，概率am(r)、bm(r)是两个序列在相似容限r下匹配m个点的概率。
39、进一步地，在步骤s4中，所述方法还包括以下步骤：
40、步骤s41：计算输入信号的傅里叶变换；
41、步骤s42：将傅里叶频谱划分为n个连续段落，通过搜索频谱的局部极大值确定边界，并将其按降序进行排列，其中，假设极大值个数为m，当m≥n时，保留前n-1个极大值，当m＜n时，保留全部极大值并对n进行修正，以此，取两个局部极大值间的中间频率作为ωn；
42、步骤s43：找到分割边界并分割频谱；
43、步骤s44：构建合适的小波滤波器组，对信号进行分解。
44、进一步地，在步骤s44中，所述方法还包括以下步骤：
45、步骤s441：将经验小波定义为每个区间∧n上的带通滤波器，对于∧n＞0，分别通过以下两个方程表达式定义了经验尺度函数φn(ω)和经验小波ψn(ω)：
46、
47、
48、其中，β(x)＝x4(35-84x+70x2-20x3)；
49、步骤s442：用与经典小波变换相同的方法定义经验小波变换，细节系数()由经验小波和信号的内积给出：
50、
51、近似系数()由经验尺度函数和信号内积给出：
52、
53、其中，f[·]和f-1[.]分别为傅里叶变换和逆变换，由此，信号f(t)重构表达式为：
54、
55、步骤s443：通过经验小波变换处理，信号f(t)分解得到频率由低到高的调幅-调频单分量成分fk(t)(k＝1，2，3，...)：
56、
57、
58、进一步地，在步骤s5中，所述预测模型的数学表达式为：
59、
60、e(εt)＝0，var(εt)＝σ2
61、其中，εt和xt分别表示t时刻的样本数据和白噪声，εt的均值为0，本文档来自技高网...
【技术保护点】
1.一种基于CEEMD-SE-EWT双分解和ARIMA组合预测的风速预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的风速预测方法，其特征在于，在步骤S2中，所述方法还包括以下步骤：
3.根据权利要求1所述的风速预测方法，其特征在于，在步骤S3中，所述样本熵值的计算式为：
4.根据权利要求3所述的风速预测方法，其特征在于，在步骤S3中，所述方法还包括以下步骤：
5.根据权利要求1所述的风速预测方法，其特征在于，在步骤S4中，所述方法还包括以下步骤：
6.根据权利要求1所述的风速预测方法，其特征在于，在步骤S44中，所述方法还包括以下步骤：
7.根据权利要求1所述的风速预测方法，其特征在于，在步骤S5中，所述预测模型的数学表达式为：
8.根据权利要求7所述的风速预测方法，其特征在于，在步骤S5中，所述预测模型的由p、d、q三个参数确定，确定过程包括以下步骤：
9.根据权利要求1所述的风速预测方法，其特征在于，在步骤S6中，所述方法还包括以下步骤：
10.一
...【技术特征摘要】
1.一种基于ceemd-se-ewt双分解和arima组合预测的风速预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的风速预测方法，其特征在于，在步骤s2中，所述方法还包括以下步骤：
3.根据权利要求1所述的风速预测方法，其特征在于，在步骤s3中，所述样本熵值的计算式为：
4.根据权利要求3所述的风速预测方法，其特征在于，在步骤s3中，所述方法还包括以下步骤：
5.根据权利要求1所述的风速预测方法，其特征在于，在步骤s4中，所述方法还包括以下步骤：
6.根据...
【专利技术属性】
技术研发人员：陈宁，王晓倩，孙洪鑫，张龙威，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：
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。