[发明专利]一种基于SSA-HMD-CNNSVM模型的短期风速预测方法

权利要求书

1.一种基于SSA-HMD-CNNSVM模型的短期风速预测方法，其特征在于，包括以下步骤：

步骤一：采集风场历史实测风速数据，建立多组风速时间序列；

步骤二：利用奇异谱分析SSA降低风速时间序列的噪声，并提取原始风速时间序列的趋势信息；

步骤三：利用混合模式分解HMD对步骤二得到的风速数据进行深度分解，混合模式分解HMD由变分模式分解VMD、样本熵SE和小波包分解WPD组成；

步骤四：采用卷积支持向量机CNNSVM对步骤三分解得到的各个风速子层进行预测；

步骤五：对步骤四预测得到的所有风速子层的预测结果进行叠加，进而得到最终的风速预测结果。

2.按照权利要求1所述的一种基于SSA-HMD-CNNSVM模型的短期风速预测方法，其特征在于，所述的步骤一中，对风速时间序列中的风速数据的描述性数据进行统计，最后根据统计结果分别将各风速时间序列分为训练样本和测试样本。

3.按照权利要求1所述的一种基于SSA-HMD-CNNSVM模型的短期风速预测方法，其特征在于，所述的步骤二中，奇异谱分析SSA包括嵌入、奇异值分解SVD、分组和对角线平均四个步骤，其中，嵌入和奇异值分解SVD属于数据分解，而分组和对角平均属于数据重建。

4.按照权利要求3所述的一种基于SSA-HMD-CNNSVM模型的短期风速预测方法，其特征在于，所述的步骤二中，所述奇异谱分析SSA包括以下步骤：

步骤201、嵌入

原始风速数据X＝(X₁，...，X_N)被移位到具有L维度的轨迹矩阵Y＝(Y₁，...，Y_L)，其中，2≤L≤N，轨迹矩阵Y的每个元素定义为Y_i＝(X_i，...，X_i+L-1)，轨迹矩阵Y如下：

式中，K＝N-L+1；

步骤202、奇异值分解SVD

轨迹矩阵Y可以分解为d个部分，其中d＝rank(Y)，rank()表示矩阵Y的秩，通过奇异值分解SVD，矩阵YY^T的eigentirples(λ_i，U_i，V_i)可以按位λ_i的降序获得，其中，λ_i表示奇异值，U_i表示左本征向量，V_i表示右本征向量，eigentirples()表示矩阵Y的三重特征向量，轨迹矩阵Y重写如下：

Y＝Y₁+Y₂+...Y_d，式中，

步骤203、分组

选择d个组件中的m个作为趋势组件，定义I＝{I₁，...I_m}和然后Y_I可以表示风速数据的趋势分量，而其他(d-m)分量被视为噪音；

步骤204、对角线平均

通过Hankelization程序，获得的组被转移到时间序列组然后原始风速时间序列定义如下：

式中，X_trend表示X的趋势信号，X_noise表示X的噪声信号。