System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【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。