[发明专利]一种基于考虑分量关联性小波分解的混合风速预测方法

说明书

本发明涉及一种基于考虑分量关联性小波分解的混合风速预测方法，将原始数据分为训练集和测试集；将训练集分解为若干子序列，根据子序列和原始数据的相关系数识别虚假子序列，并将其剔除相应，对剩余子序列建预测模型，通过子序列中第1至n个数据来预测第n+1个数据；叠加各个子序列预测得的第n+1个数据1，获得最终预测结果；更新训练集，并将更新后的训集分解为若干新的子序列，建立LSSVM模型预测第n+2数据，叠加各个子序列的预测得第n+2个数据获得预测值；继续进行超前一步预测，直到完成所有预测。本发明降低了子序列虚假成分的影响，提高了预测的性能，及预测的准确性和稳定性。

技术领域

本发明涉及风速预测技术领域，具体为一种基于考虑分量关联性小波分解的混合风速预测方法。

背景技术

由于风能可再生，无污染和丰富大量的特点，其在温室气体减排和取代化石燃料中起着重要作用。全球风能委员会预计，在全球电力供应中风能占比将在2020年达到12％，2030年达到22％。然而由于风速时间序列的随机性，非线性和非平稳性，如何完全实现将风力发电应用于多源能源网络仍有很大的困难，如产能计划和风机维护等。

为了提高风速预测的准确性，大量的预测方法发展了起来。主要分为三类：物理方法，时间序列方法和基于人工智能的方法。物理方法预测风速时考虑了气象因素如地形，大气压和环境温度。数值天气预报(Numerical Weather Prediction NWP)作为物理法的代表而被广泛应用。但它通常是用于长期风速预测不适于短期风速预测。时间序列的方法利用历史数据来预测风速，包括自回归模型(AR Autoregressive)，自回归移动平均模型(Autoregressive Moving Average ARMA)，差分自回归移动平均模型(AutoregressiveIntegrated Moving Average Model ARIMA)和分数差分自回归移动平均模型(FractionalAutoregressive Integrated Moving Average Model FARIMA)。尽管这些方法可以很好地捕捉到风速数据中的线性关系，但不能很好的揭示其中的非线性特征。基于人工智能的方法能够的揭示风速时间序列中的非线性特征，建立输入值和输出值之间的非线性关系。其包括人工神经网络(Artificial Neural Network ANN)，支持向量机(Support VectorMachine SVM)，最小二乘支持向量机(Least Square Support Vector Machine LSSVM)和模糊逻辑方法。由于风速序列具有极强的非线性特征，总的来说基于人工智能的预测准确性优于时间序列法。但是其模型参数需要更多的调整，也存在着着效率低下和过度拟合的问题。

近年来基于分解的混合模型发展了起来，典型的分解法有经验模态分解(Empirical Mode Decomposition EMD)，集合经验模态分解(Ensemble Empirical ModeDecomposition EEMD)，快速集合经验模态分解(Fast Ensemble Empirical ModeDecomposition FEEMD)，离散小波变换(Discrete Wavelet Transform DWT)和小波包分解(Wavelet Packet Decomposition WPD)，对分解后的子序列建立的风速预测模型如ARIMA，ANN，SVM和LSSVM模型。如采用递归ARIMA模型来预测EMD分解后的风速时间序列的各个子序列；如应用FEEMD可以提高EEMD在风速预测时的计算性能；再如结合两种分解方法(如DWT和WPD)和两种预测方法(时间序列和ANN)发展了三种不同的混合模型。其将DWT，WPD，EMD和FEEMD同极限学习机(ELMS)结合起来成为四种混合模型。相较于其他混合模型，基于分解的混合模型可以将非线性非平稳的风速时间序列分解成更加稳定和正规的子序列，优化预测结果。许多研究表明基于分解的混合方法优于没有分解的方法。