考虑CEEMDAN样本熵和SVR的短期风速预测

发布时间：2021-01-21 17:07

　　为降低由于风速信号的非线性和非平稳性带来的风速预测难度,提高短期风速预测的准确性,提出一种考虑样本熵的组合分解模式和支持向量回归（SVR）相结合的预测模型。首先采用自适应噪声的完全集合经验模态分解（CEEMDAN）方法分解风速历史数据,并计算各模态分量的样本熵;然后采用变分模态分解（VMD）方法对样本熵最大的模态分量进行二次分解,充分削弱风速分量的非平稳性;接着对分解得到所有模态分量分别建立SVR预测模型;最后将各分量的预测值求和完成最终风速预测。实例分析表明,所提模型对比其他模型的预测误差最小,预测精度最高,可有效预测短期风速。 

【文章来源】：水电能源科学. 2020,38(11)北大核心

【文章页数】：4 页

【部分图文】：

短期风速预测模型流程图

泰州地区位于江苏省中部，地势中间高、南北低，为北亚热带湿润气候，受季风环流的影响，季风特性明显。选取泰州市气象站2017年8月1～8日实测风速数据（图2），每10 min记录一次，共1 008个实测数据。由图2可知，部分短期风速序列具有较强的非线性和非平稳性。利用前7d的数据（共721个）用于训练，第8d的数据（共287个）用于测试，验证所提模型的准确性。4.1 短期风速数据的处理

采用CEEMDAN分解实测的短期风速数据，同时计算分解得到的各模态分量的样本熵值（SSE),SSE越大表明该序列复杂度越高，非线性越强，对预测效果影响越大，只有充分削弱该序列的非平稳性，才能获得较高的预测精度；再利用分解效率较高的VMD对SSE值最大的模态分量进行二次分解。为充分削弱非线性较强的短期风速序列，设置噪声标准偏差为0.05，实现次数为500，最大迭代次数为5 000，经CEEMDAN分解得到的原始风速序列的模态分量见图3。图3展现了由CEEMDAN获得原始风速序列的固有模态分量，得到的不同频率尺度的9个模态分量和1个残差分量。然后求解各模态分量的样本熵值，m取2，条件阈值r取模态序列标准差的0.2倍。计算CEEMDAN分解的各模态分量的样本熵见表1。由表1可知，分量1的样本熵最大，表明分量1为分解后复杂度最高的序列，故采用VMD对分量1进行二次分解，设置VMD模态分解个数K=5，其余各参数为默认值[5]。经VMD得到分量1的5个模态分量1～5，表现形式与CEEMDAN分解得到的图3类似。将两次分解得到的所有模态分量进行归一化处理输入SVR预测模型进行预测，然后反归一化所有模态分量的预测值并累加求和，完成最终的短期风速预测。

【参考文献】：
期刊论文
[1]采用k近邻进行空间相关性超短期风速预测[J]. 杨正瓴,赵强,吴炳卫,侯谨毅,陈曦,张军.  电力自动化设备. 2019(03)
[2]基于CEEMDAN-PE和QGA-BP的短期风速预测[J]. 赵辉,周杰,王红君,岳有军.  电子技术应用. 2018(12)
[3]基于样本熵和支持向量机的短期风速预测模型[J]. 林常青,上官安琪,徐箭,许梁.  电力科学与技术学报. 2014(04)



本文编号：2991561