风速组合预测策略中若干难点问题研究
发布时间：2020-06-19 10:53
【摘要】：风是大气环境中普遍存在的一种自然现象。作为大气的基本要素,许多科学研究都与其有着重要联系,如气候变化、大气物理、大气环境、气象灾害、能源气象等,都需要对风的大小进行深入研究。然而,由于受温度、气压、地形、海拔、纬度等诸多因素的影响,风具有较强的随机性和波动性,是气象要素中最复杂、最难预报的要素之一。作为风研究中一个重要方面,风速预测对于天气预报、气象灾害防治、大气污染预报和可再生能源利用起着十分关键的作用。因此,对于风速预测方法的研究,是大气科学中的热点研究问题之一。目前,许多单一预测模型被用于风速预测,根据其自身实现机制不同,每种模型各有优劣,它们之间不是相互排斥,而是相互补充,不同预测方法能从不同角度反映风速的特点信息。因此,若将多种预测方法进行组合,结合多个模型所要表达的信息,则会进一步提高风速预测精度和可靠度。进一步研究中发现,传统组合预测依据其组合策略的不同,在实际应用中仍存在诸多难点问题,使得组合模型依然不能满足风速预测精度的要求。例如,在基于信号分解的协同性组合策略中,传统组合模型仅使用单一模型来预测所有分解后的子序列,而忽略了不同子序列具有不同信号特征,如何针对不同信号特征选取最优的预测模型是一项难点;同时,传统组合模型在信号分解中忽视了数据在分解之后仍存在波动性较大的子序列,直接对其进行建模与预测往往会造成较大误差;另外,传统协同性模型在参数优化过程中存在收敛速度慢且易陷入局部最小等问题;在竞争性组合策略中,组合权重的赋值主要依赖于实验和经验,如何引入更多先进方法,使模型权重的选取更加智能化是一项研究难点;此外,针对传统组合模型仅考虑单一预测评价指标作为其优化目标,如何以不同性能指标作为模型的优化目标是研究中的难点。因此,针对上述问题,本文从信号分解、算法改进、参数优化和权重优化等四个不同方面进行了深入探讨,特别在信号多级分解、群智能算法改进和多目标优化等方面进行创新与应用,对组合预测策略中的若干难点问题进行了系统的分析研究。主要研究结论如下:1)针对以往协同性组合策略中忽略了数据预处理和模型参数优化等问题,提出了一种基于信号分解和模型选择的组合模型。在该模型中,首先通过集合经验模式分解将原始风速数据划分为一组有限的信号分量,从三种预测模型中选择最优模型,利用果蝇优化算法进行参数优化,使用优化后的模型对每种信号分别进行预测,最后通过数据重构获得最终预测值。为了评估该模型的预测能力,选择了山东地区两个风电场的15分钟风速数据作为案例进行研究。实证结果表明,相对于传统方法,基于信号分解和参数优化的组合模型可以显著风速预测精度。2)在以上研究基础上,进一步结合了“竞争性”和“协作性”两种组合策略的思想,提出了一种基于完整集合经验模式分解自适应噪声分解(CEEMDAN)与改进花授粉算法的优化的组合预测方法。首先,采用信号分解方法CEEMDAN将原始风速数据划分为有限的IMF分量集合,针对分解序列特征的不同,选择五种预测模型组成预测集合来对各子信号分别进行预测。同时,提出一种改进的混沌局部搜索-花授粉算法(CLSFPA),用于确定组合模型的最优权重系数,最后通过序列重构得到最终预测值。为了评估所提出模型的预测能力,使用了来自山东沿海地区的四个风电场15分钟风速数据对提出模型进行模拟评估。结果表明,所提出的组合预测技术可以进一步提高风速预测精度。3)针对协作型组合预测中单一信号分解得到的子序列中仍然存在非平稳及波动性较大的子分量,提出一种基于新型混合双分解技术(HDT)和花授粉算法优化反向传播神经网络算法的预测体系结构。所提出的HDT结合了完整集合经验模式分解自适应噪声(CEEMDAN)和经验小波变换(EWT),在一次分解之后,进一步利用EWT分解由CEEMDAN生成的高频固有模式函数(IMF),得到一组相对平稳的子序列,从而降低了预测复杂性。最后应用FPA-BPNN来预测所有分解后的子序列。为了对模型预测能力进行评估,采用中国山东两个风电场风速数据进行多步预测。实验结果表明,该模型在一步到五步向前预测中优于其他对比模型,表现出稳定的预测性能,表明该模型非常适用于非平稳多步风速预测。4)针对以往竞争性组合预测在权重优化过程中仅设置单一优化目标的问题。本章提出了一种基于多目标优化的组合加权预测方法。针对组合模型的权重系数,结合了Pareto最优理论组成的新型多目标算法,设置偏差-方差框架为多目标优化问题的目标函数,使得组合模型既能收敛到最佳精度又能保持较高预测稳定性。同时,为改进传统花粉传播算法局部搜索慢的问题,提出一种基于蝙蝠搜索算法的花粉传播算法,保证了组合模型在权重优化时能快速收敛到最优解。为了评估该模型的预测能力,选取中国东部沿海地区两个风电场的12个风速数据集作为案例研究。实验结果表明,所开发的多目标组合模型在预测中既可以获得高预测精度还可以保持较高预测稳定性。
【学位授予单位】：兰州大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：P425
【图文】：
这对风速预测模型在不同情形下的适应性、精确性和鲁棒性都提出了逡逑更高的要求。囡此，为更好测试本文所提出的预测模型的有效性，本文选取了烟逡逑台，威海，青岛，蓬莱、莱州等多个风电场作为试验ｇ，如图２－１所示。涵盖了逡逑丘陵地带，平原地带以及海上岛屿等不同的环境条件，以验证预测模型能否在各逡逑种复杂情形下均能表现出良好的预测性能。逡逑Ａ．逡逑－邋（Ｉ邋Ｍ）逡逑④实验站点逦＇览逦ａ逡逑１．菜州２．蓬莱逦＼邋，逦／逡逑威海逦＼逦／逦ｙ逡逑图２－１研究区域示意图逡逑２．１．２风速数据选取逡逑在本文中，原始风速数据通过各风电场７０ｍ高度的测风仪进行采集，时间逡逑间隔为１５ｍｉｎ／次。每个风电场收集了邋１－２年的风速历史数据。依据气象统计学理逡逑论，针对测风塔缺测和无效的风速数据逐一进行插补订正，使订正后风速数据有逡逑效完整率达到１００％。订正方怯为：采用各测风塔采集的测风数据与？相邻测风塔逡逑同一时段的实测资料做相关分析，在统计样本数量满足的前提下，选取２个站逡逑点同频次风速样本，进行相关计算和检验．采用检验统计尨Ｆ检验相关系数的逡逑可靠性：逡逑Ｆ邋二记丨＇￣＾逦（２－１）逡逑／邋ｎ－２逡逑其中ｉ？为相关系数，〃为样本量，通过给定０．０１信度，检验Ｆ值．逡逑１６逡逑
各神经元与不同的学习样本对应般求和层使用两种类型神经元进行求和。逡逑输出Ｊｇ中的神经元个数与输出向量的维数一致，神经元通过将求和层的输出进行逡逑相除，得到数据输出结果ＩＹ习，其网络拓扑图如图２－３所示。逡逑Ｐｊ＝＾Ｘ－Ｘ＾Ｘ－Ｘ＾逦＾Ｔｎｎｐｅ：ｒ0ｎＳ＿逡逑＾邋ｐａｔｔｅｒｎ逡逑逦＃rP螅酰恚恚幔簦椋铮睿]3Y彳＼抚
本文编号：2720693
【学位授予单位】：兰州大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：P425
【图文】：
这对风速预测模型在不同情形下的适应性、精确性和鲁棒性都提出了逡逑更高的要求。囡此，为更好测试本文所提出的预测模型的有效性，本文选取了烟逡逑台，威海，青岛，蓬莱、莱州等多个风电场作为试验ｇ，如图２－１所示。涵盖了逡逑丘陵地带，平原地带以及海上岛屿等不同的环境条件，以验证预测模型能否在各逡逑种复杂情形下均能表现出良好的预测性能。逡逑Ａ．逡逑－邋（Ｉ邋Ｍ）逡逑④实验站点逦＇览逦ａ逡逑１．菜州２．蓬莱逦＼邋，逦／逡逑威海逦＼逦／逦ｙ逡逑图２－１研究区域示意图逡逑２．１．２风速数据选取逡逑在本文中，原始风速数据通过各风电场７０ｍ高度的测风仪进行采集，时间逡逑间隔为１５ｍｉｎ／次。每个风电场收集了邋１－２年的风速历史数据。依据气象统计学理逡逑论，针对测风塔缺测和无效的风速数据逐一进行插补订正，使订正后风速数据有逡逑效完整率达到１００％。订正方怯为：采用各测风塔采集的测风数据与？相邻测风塔逡逑同一时段的实测资料做相关分析，在统计样本数量满足的前提下，选取２个站逡逑点同频次风速样本，进行相关计算和检验．采用检验统计尨Ｆ检验相关系数的逡逑可靠性：逡逑Ｆ邋二记丨＇￣＾逦（２－１）逡逑／邋ｎ－２逡逑其中ｉ？为相关系数，〃为样本量，通过给定０．０１信度，检验Ｆ值．逡逑１６逡逑
各神经元与不同的学习样本对应般求和层使用两种类型神经元进行求和。逡逑输出Ｊｇ中的神经元个数与输出向量的维数一致，神经元通过将求和层的输出进行逡逑相除，得到数据输出结果ＩＹ习，其网络拓扑图如图２－３所示。逡逑Ｐｊ＝＾Ｘ－Ｘ＾Ｘ－Ｘ＾逦＾Ｔｎｎｐｅ：ｒ0ｎＳ＿逡逑＾邋ｐａｔｔｅｒｎ逡逑逦＃rP螅酰恚恚幔簦椋铮睿]3Y彳＼抚
本文编号：2720693
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/2720693.html
