[发明专利]一种基于SSA-HMD-CNNSVM模型的短期风速预测方法

说明书

本发明涉及短期风速预测领域，公开了一种基于SSA‑HMD‑CNNSVM模型的短期风速预测方法，首先利用奇异谱分析(SSA)降低噪声并提取原始风速数据的趋势信息，然后利用混合模式分解对风速数据进行深度分解，接着采用卷积支持向量机对各个风速子层进行预测，最后对所有分量的预测结果进行叠加，进而得到最终的风速预测结果。本发明对风速时间序列的降噪及深度分解处理，与一般的信号预处理方式相比，能够有效降低风速时间序列的随机波动对预测结果的影响，大大提升了风速预测的准确性和精确性。同时，CNNSVM能结合单一模型卷积神经网络和支持向量机的优点，因此具备强大的泛化能力和鲁棒性能，可大规模应用于风电场风速预测。

技术领域

本发明涉及一种基于SSA-HMD-CNNSVM模型的短期风速预测方法，属于超短期风速预测技术领域。

背景技术

随着全球生态环境破坏和气候变暖的日益严重，世界各国开始不断地开发新能源技术以解决这一问题，风电作为一种可再生清洁能源，已经在全球范围内受到越来越多的关注。然而，自然界产生的风速会极大地影响风电场风能功率的产生，而且风速的变化往往具有很强的不可控性和随机性。为减小风电场产生的风能对电网运行的影响和保障电网的供电质量，如何对风电场风速实施可靠的精确预测就变得十分重要，对电力系统的稳定性和可靠性也至关重要。

CNN(卷积神经网络)是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。在过去的几年中，CNN已经被证明是一种可靠的技术来提取隐藏的功能，因为它可以完成滤波器的自动创建。

SVM(支持向量机)是一种基于结构风险最小化原理的强大的机器学习算法。SVM具有良好的非线性映射性能，可以有效地将数据映射到高维特征空间，并在特征空间中执行线性回归。

单一人工智能模型在短期风速预测领域取得了不错的成果，但单一机器学习模型仍不足以获取短期风速时间序列的整体特征，仍存在很大的提升空间。另外，风速时间序列的随机波动噪声也对风速预测结果产生了一定的影响，导致其最终的预测精度难以提高。

发明内容

本发明要解决的技术问题是：如何消除风速时间序列的随机波动噪声的干扰，并进一步提高风速预测的准确性和精确性。

为了解决上述技术问题，本发明的技术方案是提供了一种基于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。

优选地，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。

优选地，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。

优选地，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