基于CEEMD和改进时间序列模型的超短期风功率多步预测

发布时间：2021-03-04 01:14

　　根据风功率非平稳特性,提出一种基于互补集合经验模态分解和时间序列分析方法中的差分自回归滑动平均模型的新型风功率组合多步预测模型。首先对风功率序列进行互补集合经验模态分解,以降低风功率序列的非平稳特性;之后采用模糊熵理论对各分量进行复杂度评估,对复杂度相近的相邻分量重新组合,从而有效降低预测时间和计算量;然后对新组合的各分量建立差分自回归滑动平均（ARIMA）模型,再对各分量进行残差序列检验,对存在异方差特性的分量建立ARIMA-GARCH模型;最后叠加各分量预测结果得到最终的风功率多步预测值。实验结果表明,所提的组合预测模型具有较高的预测精度。 

【文章来源】：太阳能学报. 2020,41(07)北大核心

【文章页数】：7 页

【部分图文】：

预测模型流程图

历史风功率数据

对历史风功率序列进行互补集合经验模态分解，以降低风功率的波动性。结果如图3所示。由分解结果可知，互补集合经验模态分解对历史风功率序列进行逐层分解后实现各个分量的准确分离，从而有效降低风功率时间序列的非平稳特性。由于分量过多，同时会增加预测模型的预测时间和计算量，本文采用模糊熵对各分量做复杂度评估，各分量评估结果如图4所示。由图4可看出，各分量的模糊熵呈下降趋势，说明其复杂度也不断降低。为降低预测时间和计算量，本文将IMF3、IMF4组合成一个新的分量；IMF5、IMF6组成一个新的分量；IMF7、IMF8和res组成一个新的分量。

【参考文献】：
期刊论文
[1]基于经验模式分解的神经网络组合风速预测研究[J]. 勾海芝,赵征,夏子涵.  电力科学与工程. 2017(10)
[2]基于修正后ARIMA-GARCH模型的超短期风速预测[J]. 丁藤,冯冬涵,林晓凡,陈靖文,陈丽霞.  电网技术. 2017(06)
[3]时间序列模型在风场风速预测中的应用[J]. 张少济,曾杰,张华,王晶.  水利水电技术. 2016(12)
[4]基于GARCH的短时风速预测方法[J]. 姜言,黄国庆,彭新艳,李永乐.  西南交通大学学报. 2016(04)
[5]基于小波变换和改进萤火虫算法优化LSSVM的短期风速预测[J]. 方必武,刘涤尘,王波,闫秉科,汪勋婷.  电力系统保护与控制. 2016(08)
[6]广域风能时空互补性及其对电网影响的分析[J]. 刘怡,肖立业.  电工电能新技术. 2015(10)
[7]基于经验模态分解与多步预测的最小二乘支持向量机的风速预测[J]. 于萌,吴鑫淼,郄志红.  水电能源科学. 2015(04)
[8]基于卡尔曼滤波的风速序列短期预测方法[J]. 修春波,任晓,李艳晴,刘明凤.  电工技术学报. 2014(02)
[9]基于混沌分析和神经网络的风速直接多步预测[J]. 米增强,刘兴杰,张艳青,杨奇逊.  太阳能学报. 2011(06)
[10]基于人工神经网络模型的风速预测[J]. 黄小华,李德源,吕文阁,成思源.  太阳能学报. 2011(02)



本文编号：3062297