[发明专利]基于CEEMD和改进SSA-LSSVM的预测方法

权利要求书

1.基于CEEMD和改进SSA-LSSVM的预测方法，其特征在于：包括以下步骤：

步骤1、获取历史风功率数据和时间特征因素，并对数据进行预处理；

步骤2、对经过预处理的历史风功率数据进行改进的完备总体经验模态分解CEEMD，得到多个内涵模态分量IMF和残余信号，并分别作为改进SSA-LSSVM预测模型的输入；

步骤3、将CEEMD-SSA-LSSVM的预测结果分为训练集预测结果和测试集训练结果，将训练集预测结果输入到改进SSA参数寻优中获得最优的核函数参数和惩戒参数，再将最优值输入改进SSA-LSSVM预测模型中得到一个最优的SSA-LSSVM预测模型，最终将测试集训练结果代入得到预测结果；

步骤4、采用改进SSA-LSSVM预测模型分别对多个内涵模态分量IMF和残余信号进行训练建模，得到多个针对内涵模态分量和残余信号的子模型，即基于CEEMD和改进SSA-LSSVM的超短期风功率预测模型；

步骤5、利用训练生成的风功率预测模型对在预测时间内风功率的各内涵模态分量IMF进行预测，得到各分量预测结果，并将每个分量预测的结果求和，得到预测时间内的风功率预测结果。

2.根据权利要求1所述基于CEEMD和改进SSA-LSSVM的预测方法，其特征在于：步骤1所述对数据进行预处理是对历史时刻的风功率数据进行归一化处理；将数据转化为[0，1]之间的数值；风功率数据归一化表达式为：

v₂为归一化后的风功率值，v₁为原始风功率值，v_min为样本数据中风功率的最小值，v_max为样本数据中风功率的最大值。

3.根据权利要求1所述基于CEEMD和改进SSA-LSSVM的预测方法，其特征在于：步骤2的实现包括对经过预处理的历史风功率数据进行CEEMD分解，其分解步骤为：

步骤2.1、将多组均值为0，绝对值相等的白噪声信号n_i(t)和-n_i(t)分别添加至原始信号x(t)，得到多组添加噪声后的信号和

步骤2.2、将所有添加噪声后的信号和进行CEEMD法分解得到各自的内涵模态分量序列；

步骤2.3、集合平均上述所有的内涵模态分量序列，得到原始信号x(t)的所有集合平均分量；

步骤2.4、计算所有平均分量排列熵值，并依次判断排列熵值是否大于阈值0.6，如果排列熵值大于阈值，则对应的平均分量为异常分量；检测下一个分量的排列熵值，直到出现某个平均分量不是异常分量，此时这一个平均分量前所有的分量从原始信号x(t)中分离出来；

步骤2.5、最后对残余信号分量进行CEEMD分解，将得到的IMF分量按照从高频到低频的顺序排列。

4.根据权利要求1所述基于CEEMD和改进SSA-LSSVM的预测方法，其特征在于：步骤3的实现包括利用步骤1采用CEEMD分解得到的多个IMF分量，采用基于改进麻雀算法优化的LSSVM模型对每个IMF分量进行预测，并将每个分量预测的结果求和，得到预测时间内的风功率预测结果，麻雀算法优化LSSVM模型的具体步骤为：

步骤3.1、选取一组IMF分量数据，并将序列的前80％作为训练集，后20％用作测试集；

步骤3.2、创建LSSVM回归网络，指定LSSVM层的隐含单元个数为288；

步骤3.3、初始化麻雀算法的学习率、维度、迭代次数、种群数，并确定迭代次数；

步骤3.4、训练LSSVM，得到合适的LSSVM模型，IMF分量数据当作输入，输出当作预测结果；

步骤3.5、将上述得到的预测结果与实际值的均方差作为适应度，计算所有种群对应的适应度，将其中最小适应度作为本次最优适应度，并和全局最优适应度进行比较，如果全局最优适应度较小，则将全局最优适应度作为本次最优适应度，反之，则不用替换；

步骤3.6、迭代过程开启，利用麻雀算法更新下一个新的种群的学习率；

步骤3.7、重复步骤3.5-步骤3.6，直到迭代次数为最大值；

步骤3.8、输出最优结果对应的学习率。