為降低由于風(fēng)速信號的非線性和非平穩(wěn)性帶來的風(fēng)速預(yù)測難度,提高短期風(fēng)速預(yù)測的準(zhǔn)確性,提出一種考慮樣本熵的組合分解模式和支持向量回歸（SVR）相結(jié)合的預(yù)測模型。首先采用自適應(yīng)噪聲的完全集合經(jīng)驗?zāi)B(tài)分解（CEEMDAN）方法分解風(fēng)速歷史數(shù)據(jù),并計算各模態(tài)分量的樣本熵;然后采用變分模態(tài)分解（VMD）方法對樣本熵最大的模態(tài)分量進行二次分解,充分削弱風(fēng)速分量的非平穩(wěn)性;接著對分解得到所有模態(tài)分量分別建立SVR預(yù)測模型;最后將各分量的預(yù)測值求和完成最終風(fēng)速預(yù)測。實例分析表明,所提模型對比其他模型的預(yù)測誤差最小,預(yù)測精度最高,可有效預(yù)測短期風(fēng)速。 

【文章來源】：水電能源科學(xué). 2020,38(11)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

短期風(fēng)速預(yù)測模型流程圖

泰州地區(qū)位于江蘇省中部，地勢中間高、南北低，為北亞熱帶濕潤氣候，受季風(fēng)環(huán)流的影響，季風(fēng)特性明顯。選取泰州市氣象站2017年8月1～8日實測風(fēng)速數(shù)據(jù)（圖2），每10 min記錄一次，共1 008個實測數(shù)據(jù)。由圖2可知，部分短期風(fēng)速序列具有較強的非線性和非平穩(wěn)性。利用前7d的數(shù)據(jù)（共721個）用于訓(xùn)練，第8d的數(shù)據(jù)（共287個）用于測試，驗證所提模型的準(zhǔn)確性。4.1 短期風(fēng)速數(shù)據(jù)的處理

采用CEEMDAN分解實測的短期風(fēng)速數(shù)據(jù)，同時計算分解得到的各模態(tài)分量的樣本熵值（SSE),SSE越大表明該序列復(fù)雜度越高，非線性越強，對預(yù)測效果影響越大，只有充分削弱該序列的非平穩(wěn)性，才能獲得較高的預(yù)測精度；再利用分解效率較高的VMD對SSE值最大的模態(tài)分量進行二次分解。為充分削弱非線性較強的短期風(fēng)速序列，設(shè)置噪聲標(biāo)準(zhǔn)偏差為0.05，實現(xiàn)次數(shù)為500，最大迭代次數(shù)為5 000，經(jīng)CEEMDAN分解得到的原始風(fēng)速序列的模態(tài)分量見圖3。圖3展現(xiàn)了由CEEMDAN獲得原始風(fēng)速序列的固有模態(tài)分量，得到的不同頻率尺度的9個模態(tài)分量和1個殘差分量。然后求解各模態(tài)分量的樣本熵值，m取2，條件閾值r取模態(tài)序列標(biāo)準(zhǔn)差的0.2倍。計算CEEMDAN分解的各模態(tài)分量的樣本熵見表1。由表1可知，分量1的樣本熵最大，表明分量1為分解后復(fù)雜度最高的序列，故采用VMD對分量1進行二次分解，設(shè)置VMD模態(tài)分解個數(shù)K=5，其余各參數(shù)為默認值[5]。經(jīng)VMD得到分量1的5個模態(tài)分量1～5，表現(xiàn)形式與CEEMDAN分解得到的圖3類似。將兩次分解得到的所有模態(tài)分量進行歸一化處理輸入SVR預(yù)測模型進行預(yù)測，然后反歸一化所有模態(tài)分量的預(yù)測值并累加求和，完成最終的短期風(fēng)速預(yù)測。

【參考文獻】：
期刊論文
[1]采用k近鄰進行空間相關(guān)性超短期風(fēng)速預(yù)測[J]. 楊正瓴,趙強,吳炳衛(wèi),侯謹毅,陳曦,張軍.  電力自動化設(shè)備. 2019(03)
[2]基于CEEMDAN-PE和QGA-BP的短期風(fēng)速預(yù)測[J]. 趙輝,周杰,王紅君,岳有軍.  電子技術(shù)應(yīng)用. 2018(12)
[3]基于樣本熵和支持向量機的短期風(fēng)速預(yù)測模型[J]. 林常青,上官安琪,徐箭,許梁.  電力科學(xué)與技術(shù)學(xué)報. 2014(04)



本文編號：2991561