CN117633446A - 基于ceemd-se-ewt双分解和arima组合预测的风速预测方法及*** - Google Patents
基于ceemd-se-ewt双分解和arima组合预测的风速预测方法及*** Download PDFInfo
- Publication number
- CN117633446A CN117633446A CN202311644416.2A CN202311644416A CN117633446A CN 117633446 A CN117633446 A CN 117633446A CN 202311644416 A CN202311644416 A CN 202311644416A CN 117633446 A CN117633446 A CN 117633446A
- Authority
- CN
- China
- Prior art keywords
- sequence
- wind speed
- prediction
- decomposition
- arima
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 55
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 title claims abstract 10
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 10
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 12
- 238000005311 autocorrelation function Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 9
- 230000000295 complement effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 241001123248 Arma Species 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于CEEMD‑SE‑EWT双分解和ARIMA组合预测的风速预测方法，包括：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；将风速时间序列进行CEEMD分解，得到一系列本征模态分量和一个残差序列；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；将样本熵值最高的序列进行EWT二次分解，得到一系列较高分辨率的子序列；对所有子序列分别创建ARIMA模型，得到各子序列的预测值；叠加所有子序列的预测值，得到最终风速预测结果。本发明采用CEEMD和EWT两种分解技术的结合，能有效降低序列的复杂程度，再将两次分解后相对平稳的序列进行ARIMA预测，该组合预测方法能够在一定程度上提高风速预测精度。
Description
技术领域
本发明涉及风速预测技术领域，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、***、计算机介质及计算机。
背景技术
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***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***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。
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***均、差分自回归移动平均(ARIMA)等。
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。
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。
发明内容
发明目的：为了克服以上不足，本发明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速预测精度。
为解决上述技术问题，本发明提供了基于CEEMD-SE-EWT双分解和ARIMA组合预测的风速预测方法，包括：
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；
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；
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；
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；
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；
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。
进一步地，在步骤S2中，所述方法还包括以下步骤：
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：
S1(t)＝X(t)+ε(t)
S2(t)＝X(t)-ε(t)
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；
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：
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；
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；
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：
其中，cj(t)表示最终的模态分量。
进一步地，在步骤S3中，所述样本熵值的计算式为：
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。
进一步地，在步骤S3中，所述方法还包括以下步骤：
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；
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：
其中，j＝1，2，3，...，n，j≠i；
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：
，进而计算在所有i值的平均值Bm(r)：
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：
且当N为有限值时，样本熵为：
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。
进一步地，在步骤S4中，所述方法还包括以下步骤：
步骤S41：计算输入信号的傅里叶变换；
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；
步骤S43：找到分割边界并分割频谱；
步骤S44：构建合适的小波滤波器组，对信号进行分解。
进一步地，在步骤S44中，所述方法还包括以下步骤：
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)：
其中，β(x)＝x4(35-84x+70x2-20x3)；
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：
近似系数()由经验尺度函数和信号内积给出：
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：
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，...)：
进一步地，在步骤S5中，所述预测模型的数学表达式为：
E(εt)＝0，Var(εt)＝σ2
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，方差为常数；B是滞后算子，Bxt＝xt-1；是差分算子，/>d表示对非平稳序列的差分次数；φ(B)为自回归系数多项式，/>p为自回归多项式阶次；θ(B)为移动平均系数多项式，/>q为移动平均多项式阶次。
进一步地，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：
步骤S51：将序列进行平稳性检验并确定差分阶数，包括：验证时间序列的平稳性，对非平稳序列进行差分运算转换为平稳序列，差分阶数为d；
步骤S52：确定ARMA模型阶数p和d，包括：计算自相关函数和偏自相关函数进行初步定阶，再通过赤池信息准则、贝叶斯信息准则暴力选定阶数；
步骤S53：验证模型，进行残差检验，包括：观察ARIMA模型的残差是否是平均值为0，且方差为常数的正态分布，同时观察连续残差是否相关，确保选择的模型的残差是白噪声；
步骤S54：使用创建的ARIMA模型进行风速预测。
进一步地，在步骤S6中，所述方法还包括以下步骤：
步骤S61：将预测序列与测试集序列进行平均绝对误差：
其中，Z(t)是t时刻测得的风速，Z′(t)是t时刻的预测风速，N为风速预测的个数；
步骤S62：将预测序列与测试集序列进行平均绝对百分比误差：
步骤S63：将预测序列与测试集序列进行方根误差：
且计算预测序列与测试集序列的确定系数：
其中，表示样本均值。
本发明还提供一种基于CEEMD-SE-EWT双分解和ARIMA组合预测的风速预测***，包括：
数据处理模块，用于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；
双分解模块，用于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，进而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，进而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；
预测模块，用于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，进而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。
本发明还提供一种计算机介质，所述计算机介质上存储有计算机程序，所述计算机程序被处理器执行实现上述的基于CEEMD-SE-EWT双分解和ARIMA组合预测的风速预测方法。
本发明还提供一种计算机，包括所述的一种计算机介质。
本发明的上述技术方案相比现有技术具有以下优点：
1、采用CEEMD-SE-EWT双分解技术在降噪的基础上进一步降低了序列的复杂程度，结合ARIMA预测，降低了风速序列的非平稳性，提高了预测精度，同时具有适用性和稳定性；
2、通过CEEMD-SE-EWT双分解技术，原始序列经过层层分解和评估，得到相对稳定的时间序列，然后利用ARIMA模型对稳定的子序列进行预测，进一步提高了风速预测的精度；以此，利用了CEEMD-SE-EWT的非线性分解特性和ARIMA的统计建模优势，使得最终的风速预测效果更加准确和可靠。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1是本发明的基于CEEMD-SE-EWT双分解和ARIMA组合预测的风速预测方法的第一流程图。
图2是本发明的基于CEEMD-SE-EWT双分解和ARIMA组合预测的风速预测方法的第二流程图。
图3是本发明的进行互补集合经验模态分解方法的流程图。
图4是本发明的样本熵计算方法的流程图。
图5是本发明的在风场数据中的风速短期预测结果。
图6是本发明的信号分解方法的流程图。
图7是本发明的ARIMA模型风速预测方法的流程图。
图8是本发明的评价预测模型方法的流程图。
图9是本发明的CEEMD-SE-EWT-ARIMA方法与ARIMA、CEEMD-ARIMA、WT-ARIMA、CEEMD-WT-ARIMA方法的对比结果图。
图10是本发明的基于CEEMD-SE-EWT双分解和ARIMA组合预测的风速预测***的模块连接关系图。
说明书附图标记说明：
101、数据处理模块，102、双分解模块，103、预测模块。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
本发明采用CEEMD-SE-EWT双分解技术和ARIMA预测模型的组合进行风速预测，具体而言，CEEMD是首先在原始序列上添加白噪声，经EMD算法得到一系列不同的频率的本征模态分量和一项残差序列，同时CEEMD使得重构信号中的噪声残余更小。EWT融合了EMD方法的自适应分解理念和小波变换理论的紧支撑框架理论，能高效分解出不同频率的子序列。原始序列首先经CEEMD分解后，采用SE计算衡量各子序列的复杂程度，再通过EWT进一步分解复杂程度较高的子序列，最终得到的均是相对稳定的时间序列。ARIMA为统计方法中的时间序列模型，适用于线性的、平稳的时间序列，风速序列经两次分解得到的子序列均较为平稳，用ARIMA模型进行所有子序列的预测，最终得到较好的预测效果。
参考图1、图2、图5所示，在一些实施例中，本发明公开了一种基于CEEMD-SE-EWT双分解和ARIMA组合预测的风速预测方法，所述方法包括以下步骤：
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。
进一步地，在步骤S1中，利用风电场的风机获取风速数据，将数据长度按比例划分为训练集和测试集，训练集用于数据输入，通过组合模型进行预测，得到预测数据，测试集用于与测试结果比较，分析预测效果。
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(CEEMD)，得到至少一本征模态分量和一残差序列；
具体的，参考图3所示，在步骤S2中，所述方法具体包括以下子步骤：
步骤S21：在原始时间序列X(t)上分别加一对幅值相等、方向相反的高斯白噪声序列ε(t)，重构成新的信号序列S(t)：
S1(t)＝X(t)+ε(t)
S2(t)＝X(t)-ε(t)
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；
步骤S22：将重构的信号序列S(t)进行经验模态分解(EMD)，分别得到有限个本征模态函数分量：
其中，Cij(t)表示第i次加入白噪声，通过EMD分解得到的第j个本征模态函数(IMF)；ri(t)为EMD分解后得到的残余项；
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；
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cj(t)：
其中，cj(t)表示最终的模态分量。
步骤S3：采用样本熵(SE)衡量风速时间序列的复杂程度，对每一个本征模态分量和残差序列进行样本熵值计算，其中，样本熵值SampEn的计算式为：
其中，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。
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；
具体的，参考图4所示，在步骤S4中，所述方法具体包括以下子步骤：
步骤S41：计算输入信号的傅里叶变换；
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；
步骤S43：找到分割边界并分割频谱；
步骤S44：构建合适的小波滤波器组，对信号进行分解。
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，ARIMA预测模型的由p、d、q三个参数确定，其数学表达式为：
E(εt)＝0，Var(εt)＝σ2
具体的，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，方差为常数；B是滞后算子，Bxt＝xt-1；是差分算子，/>d表示对非平稳序列的差分次数；φ(B)为自回归系数多项式，/>p为自回归多项式阶次；θ(B)为移动平均系数多项式，/>q为移动平均多项式阶次。
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。
在一些实施例中，在步骤S3中，采用样本熵进行风速时间序列复杂程度的计算，样本熵可衡量时间序列的复杂性和维数变化时序列产生新模式概率的大小，产生新模式的概率越大，序列的复杂性程度越高，熵值就越大，可以用SampEn(m，r，n)来表示，其中维数为m及m+1，r为相似容限，n为数据长度，样本熵定义过程为：
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；
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：
其中，j＝1，2，3，...，n，j≠i；
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：
进而计算在所有i值的平均值Bm(r)：
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)是两个序列在相似容限r下匹配m个点的概率，进而样本熵定义为：
且当N为有限值时，样本熵为：
具体的，在实际应用过程中，参数m一般取1或2，相似容限r通常取为原始数据标准差的0.1～0.25倍，本文m取2，r取0.25倍标准差。
在一些实施例中，参考图6所示，在步骤S44中，经验小波被定义为每个区间∧n上的带通滤波器，利用构建Littlewood-Paley和Meyer小波的思想进行设计，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)：
其中，β(x)＝x4(35-84x+70x2-20x3)；
步骤S441：用与经典小波变换(WT)相同的方法定义经验小波变换(EWT)，细节系数由经验小波和信号的内积给出：
近似系数由经验尺度函数和信号内积给出：
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：
步骤S442：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，...)：
在一些实施例中，参考图7所示，在步骤S44中，在步骤S5中，所述预测模型的由p、d、q三个参数确定，确定过程至少包括以下步骤：
步骤S51：将序列进行平稳性检验并确定差分阶数，即：首先验证时间序列的平稳性，对非平稳序列进行差分运算转换为平稳序列，差分阶数为d；
步骤S52：确定ARMA模型阶数p和d，即：首先计算自相关函数(ACF)和偏自相关函数(PACF)进行初步定阶，再通过赤池信息准则(AIC)、贝叶斯信息准则(BIC)暴力选定阶数；
步骤S53：验证模型，进行残差检验，即：观察ARIMA模型的残差是否是平均值为0，且方差为常数的正态分布(服从零均值、方差不变的正态分布)，同时观察连续残差是否(自)相关，确保选择的模型的残差是白噪声；
步骤S54：使用创建的ARIMA模型进行风速预测。
在一些实施例中，在本发明步骤S6中，将所有子序列的预测值进行重构，得到最终预测结果，将最终预测结果与测试集对比，可评价预测精度和预测效果。
示例性的，采用某地风电场风机测得的风速数据进行预测对比，包括如下步骤：
在步骤S1中，获取风电场历史风速数据，形成风速时间序列，例如：风速时间序列选用2017年2月风机测得的连续7天数据，总共1008个数据，前720个数据为训练集，后288个数据为测试集。
在步骤S2中，将风速时间序列经CEEMD分解后得到8个本征模态分量和一个残差序列。
在步骤S3中，计算各CEEMD分解得到的各子序列的样本熵值，得到样本熵值最大的IMF1，结果如下表所示：
在步骤S4中，将IMF1进行EWT分解，得到8各分量，再次计算二次分解得到的子序列的样本熵值，对比验证二次分解各分量的平稳性，结果如下表所示：
在步骤S5中，将CEEMD和EWT两次分解得到的所有分量进行ARIMA预测，ARIMA预测模型的创建步骤如下：首先，将序列进行平稳性检验并确定差分阶数。首先验证时间序列的平稳性，对非平稳序列进行差分运算转换为平稳序列，差分阶数为d；然后，确定ARMA模型阶数p和d；首先计算自相关函数(ACF)和偏自相关函数(PACF)进行初步定阶，再通过赤池信息准则(AIC)、贝叶斯信息准则(BIC)等准则暴力选定阶数；其次，验证模型，进行残差检验；观察ARIMA模型的残差是否是平均值为0且方差为常数的正态分布(服从零均值、方差不变的正态分布)，同时也要观察连续残差是否(自)相关，确保选择的模型的残差是白噪声；最后，使用创建的ARIMA模型对测试集数据进行预测进行预测。
在步骤S6中，参考图8所示，将所有子序列的预测值重构得到最终风速预测结果，对比分析预测效果；将预测序列与测试集序列进行平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)和确定系数(R2)比较，评价预测模型，并与其他模型进行比较。评价指标计算公式如下：
/>
其中，Z(t)是t时刻测得的风速，Z′(t)是t时刻的预测风速，表示样本均值，N为风速预测的个数。
将本发明的CEEMD-SE-EWT-ARIMA方法与ARIMA、CEEMD-ARIMA、WT-ARIMA、CEEMD-WT-ARIMA方法的预测结果进行对比，预测值对比图如图9所示，各方法的MAE、MAPE、RMSE和R2结果如下表所示：
由此表可以看出，本发明的CEEMD-SE-EWT-ARIMA方法的MAE、MAPE、RMSE和R2四项预测结果评价指标均是最优，表明CEEMD-SE-EWT双分解与ARIMA模型的组合预测具有较高的预测精度且具有稳定的预测效果。
在一些实施例中，参考图10所示，本发明还提供一种基于CEEMD-SE-EWT双分解和ARIMA组合预测的风速预测***，所述的风速预测***采用基于CEEMD-SE-EWT双分解和ARIMA组合预测的风速预测方法进行风速预测，包括：
数据处理模块101，用于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；
双分解模块102，用于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，进而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，进而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；
预测模块103，用于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，进而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。
在一些实施例中，本发明还提供一种计算机介质，所述计算机介质上存储有计算机程序，所述计算机程序被处理器执行实现上述的基于CEEMD-SE-EWT双分解和ARIMA组合预测的风速预测方法。
在一些实施例中，本发明还提供一种计算机，包括所述的一种计算机介质。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
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：
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；
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；
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；
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；
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；
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。
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：
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：
S1(t)＝X(t)+ε(t)
s2(t)＝X(t)-ε(t)
其中，X(t)表示原始时间序列，ε(t)表示高斯白噪声序列，ε1(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；
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：
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；
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；
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：
其中，cj(t)表示最终的模态分量。
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：
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。
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：
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；
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：
其中，j＝1,2,3,…,n，j≠i；
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：
进而计算在所有i值的平均值Bm(r)：
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：
且当N为有限值时，样本熵为：
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。
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：
S41：计算输入信号的傅里叶变换；
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；
S43：找到分割边界并分割频谱；
S44：构建合适的小波滤波器组，对信号进行分解。
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：
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)：
其中，β(x)＝x4(35-84x+70x2-20x3)；
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：
近似系数由经验尺度函数和信号内积给出：
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：
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,...)：
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：
E(εt)＝0，Var(εt)＝σ2
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，方差为常数；B是滞后算子，Bxt＝xt-1；是差分算子，/>d表示对非平稳序列的差分次数；φ(B)为自回归系数多项式，/>p为自回归多项式阶次；θ(B)为移动平均系数多项式，/>q为移动平均多项式阶次。
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：
S51：将序列进行平稳性检验并确定差分阶数，包括：验证时间序列的平稳性，对非平稳序列进行差分运算转换为平稳序列，差分阶数为d；
S52：确定ARMA模型阶数p和d，包括：计算自相关函数和偏自相关函数进行初步定阶，再通过赤池信息准则、贝叶斯信息准则暴力选定阶数；
S53：验证模型，进行残差检验，包括：观察ARIMA模型的残差是否是平均值为0，且方差为常数的正态分布，同时观察连续残差是否相关，确保选择的模型的残差是白噪声；
S54：使用创建的ARIMA模型进行风速预测。
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：
S61：将预测序列与测试集序列进行平均绝对误差：
其中，Z(t)是t时刻测得的风速，Z′(t)是t时刻的预测风速，N为风速预测的个数；
S62：将预测序列与测试集序列进行平均绝对百分比误差：
S63：将预测序列与测试集序列进行方根误差：
且计算预测序列与测试集序列的确定系数：
其中，表示样本均值。
10.一种基于CEEMD-SE-EWT双分解和ARIMA组合预测的风速预测***，其特征在于，包括：
数据处理模块，用于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；
双分解模块，用于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，进而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，进而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；
预测模块，用于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，进而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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311644416.2A CN117633446A (zh) | 2023-12-04 | 2023-12-04 | 基于ceemd-se-ewt双分解和arima组合预测的风速预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311644416.2A CN117633446A (zh) | 2023-12-04 | 2023-12-04 | 基于ceemd-se-ewt双分解和arima组合预测的风速预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117633446A true CN117633446A (zh) | 2024-03-01 |
Family
ID=90023028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311644416.2A Pending CN117633446A (zh) | 2023-12-04 | 2023-12-04 | 基于ceemd-se-ewt双分解和arima组合预测的风速预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117633446A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117972363A (zh) * | 2024-03-29 | 2024-05-03 | 西安热工研究院有限公司 | 一种基于平稳度的储能辅助黑启动的风速预测方法和*** |
| CN118013236A (zh) * | 2024-04-08 | 2024-05-10 | 西安热工研究院有限公司 | 基于误差补偿法的储能辅助黑启动的风速预测方法和*** |
-
2023
- 2023-12-04 CN CN202311644416.2A patent/CN117633446A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117972363A (zh) * | 2024-03-29 | 2024-05-03 | 西安热工研究院有限公司 | 一种基于平稳度的储能辅助黑启动的风速预测方法和*** |
| CN117972363B (zh) * | 2024-03-29 | 2024-06-07 | 西安热工研究院有限公司 | 一种基于平稳度的储能辅助黑启动的风速预测方法和*** |
| CN118013236A (zh) * | 2024-04-08 | 2024-05-10 | 西安热工研究院有限公司 | 基于误差补偿法的储能辅助黑启动的风速预测方法和*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Smart wind speed forecasting approach using various boosting algorithms, big multi-step forecasting strategy | |
| CN110309603B (zh) | 一种基于风速特性的短期风速预测方法及*** | |
| CN117633446A (zh) | 基于ceemd-se-ewt双分解和arima组合预测的风速预测方法及*** | |
| Zhang et al. | A novel hybrid model for wind speed prediction based on VMD and neural network considering atmospheric uncertainties | |
| CN109272156B (zh) | 一种超短期风电功率概率预测方法 | |
| CN111144644B (zh) | 基于变分异方差高斯过程回归的短期风速预测方法 | |
| CN114970952B (zh) | 一种考虑环境因素的光伏出力短期预测方法及*** | |
| CN112508244B (zh) | 一种用户级综合能源***多元负荷预测方法 | |
| CN113326966A (zh) | 基于ceemd-lstm的综合能源***多元负荷预测方法 | |
| CN113642767A (zh) | 一种基于mi-vmd-da-edlstm-vec的多维特征组合预测方法 | |
| CN111506868B (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
| CN116561567A (zh) | 一种基于变分模态分解的短期光伏功率预测模型及构建方法、应用方法 | |
| CN117114160A (zh) | 一种短期光伏功率预测方法 | |
| CN114266416A (zh) | 基于相似日的光伏发电功率短期预测方法、装置及存储介质 | |
| CN116632820A (zh) | 基于序列延拓vmd与风速波动特性的风电功率预测方法 | |
| CN116822374A (zh) | 一种风速多步预测方法、装置、计算机设备和存储介质 | |
| Zhang et al. | Short-term PV output power forecasting based on CEEMDAN-AE-GRU | |
| Cai et al. | Wind power forecasting based on ensemble empirical mode decomposition with generalized regression neural network based on cross-validated method | |
| CN116307291A (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
| CN110852522A (zh) | 一种短期电力负荷预测方法及*** | |
| CN111598313A (zh) | 一种风功率预测方法 | |
| Zhang et al. | Prediction method of line loss rate in low‐voltage distribution network based on multi‐dimensional information matrix and dimensional attention mechanism‐long‐and short‐term time‐series network | |
| CN117688362A (zh) | 基于多元数据特征增强的光伏功率区间预测方法及装置 | |
| CN117455536A (zh) | 基于误差补偿的短期煤价预测方法及*** | |
| CN116384586A (zh) | 一种基于vmd-svr的风速预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |