基于二次分解的改进时间序列超短期风速预测研究

发布时间：2021-10-19 23:29

　　提出了一种基于CEEMDAN （complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）-VMD （variational mode decomposition,VMD）二次分解的ARIMA （autoregressive integrated moving average model,ARIMA）-GARCH （generalized autoregressive conditional heteroskedasticity,GARCH）超短期风速预测方法。首先采用自适应噪声完整集成经验模态分解将原始风速信号分解,产生一系列特征互异的本征模函数（intrinsic mode functions,IMF）。接着计算各本征模函数的样本熵（sample entropy,SE）以量化其复杂性,对复杂性较高的分量采用变分模态分解进行二次分解。然后对各分量分别建立ARIMA模型,引入GARCH模型消除异方差特性。最后将各分量预测结果线性叠加。通过对西北某风电场风速数据进行预测,证明了所提模型的有效性,与... 

【文章来源】：华北电力大学学报(自然科学版). 2020,47(04)北大核心

【文章页数】：8 页

【文章目录】：
0 引言
1 基本方法原理
    1.1 自适应噪声完整集成经验模态分解
    1.2 变分模态分解
2 CEEMDAN-VMD-ARIMA-GARCH预测模型
    2.1 自回归差分滑动平均模型
    2.2 模型定阶
    2.3 参数估计
    2.4 异方差性检验
    2.5 CEEMDAN-VMD-ARIMA-GARCH预测模型
3 算例实现
    3.1 CEEMDAN分解风速序列
    3.2 VMD二次分解
    3.3 模型定阶
    3.4 异方差性检验
    3.5 误差评价指标
    3.6 不同模型预测结果比较
4 结论


【参考文献】：
期刊论文
[1]基于VMD和改进ARIMA模型的超短期风速预测[J]. 赵征,汪向硕,乔锦涛.  华北电力大学学报(自然科学版). 2019(01)
[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]多时空尺度的风力发电预测方法综述[J]. 姜兆宇,贾庆山,管晓宏.  自动化学报. 2019(01)
[4]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)
[5]基于经验模态分解和小波包分解的组合风电功率预测模型分析[J]. 马留洋,董朕.  内蒙古电力技术. 2017(02)
[6]风电功率预测技术研究综述[J]. 黎静华,桑川川,甘一夫,潘毅.  现代电力. 2017(03)
[7]基于变分模态分解和模糊C均值聚类的滚动轴承故障诊断[J]. 刘长良,武英杰,甄成刚.  中国电机工程学报. 2015(13)
[8]关于短期及超短期风电功率预测的评述[J]. 薛禹胜,郁琛,赵俊华,Kang LI,Xueqin LIU,Qiuwei WU,Guangya YANG.  电力系统自动化. 2015(06)

博士论文
[1]风电场短期风速预测若干问题研究[D]. 张驰.东南大学 2017



本文编号：3445804