基于新的组合模型的短期风速预测.pdf
《基于新的组合模型的短期风速预测.pdf》由会员分享,可在线阅读,更多相关《基于新的组合模型的短期风速预测.pdf(10页珍藏版)》请在咨信网上搜索。
1、Operations Research and Fuzziology 运筹与模糊学运筹与模糊学,2024,14(1),1120-1129 Published Online February 2024 in Hans.https:/www.hanspub.org/journal/orf https:/doi.org/10.12677/orf.2024.141103 文章引用文章引用:胡文博,袁柳洋,马建清.基于新的组合模型的短期风速预测J.运筹与模糊学,2024,14(1):1120-1129.DOI:10.12677/orf.2024.141103 基于新的组合模型的短期风速预测基于新的组合模
2、型的短期风速预测 胡文博胡文博,袁柳洋,马建清袁柳洋,马建清 武汉科技大学理学院,湖北 武汉 收稿日期:2024年1月2日;录用日期:2024年1月19日;发布日期:2024年2月29日 摘摘 要要 鉴于风速序列呈现高度随机和不稳定的特性,本文构建了一个新的组合模型用于短期风速预测,该模型鉴于风速序列呈现高度随机和不稳定的特性,本文构建了一个新的组合模型用于短期风速预测,该模型由粒子群优化由粒子群优化时变滤波时变滤波经验模态分解经验模态分解(PSO-TVF-EMD)、排列熵、排列熵(PE)、长短期记忆网络、长短期记忆网络(LSTM)和自和自回归差分移动平均回归差分移动平均(ARIMA)组成。首
3、先利用组成。首先利用PSO-TVF-EMD算法将原始风速序列分解为若干模态分量,以算法将原始风速序列分解为若干模态分量,以简化风速序列的复杂性;其次,使用简化风速序列的复杂性;其次,使用PE把风速子模态分为高频序列和低频序列,并对这两种序列分别构把风速子模态分为高频序列和低频序列,并对这两种序列分别构建建LSTM和和ARIMA预测模型;最终,将子序列预测结果叠加,得出最终的风速预测值。试验结果表明,预测模型;最终,将子序列预测结果叠加,得出最终的风速预测值。试验结果表明,新的组合预测模型一定程度上增加了预测的精度。新的组合预测模型一定程度上增加了预测的精度。关键词关键词 时变滤波,粒子群优化,
4、排列熵模型,长短期记忆网络,短期风速预测时变滤波,粒子群优化,排列熵模型,长短期记忆网络,短期风速预测 Short-Term Wind Speed Prediction Based on a New Combined Model Wenbo Hu,Liuyang Yuan,Jianqing Ma School of Science,Wuhan University of Science and Technology,Wuhan Hubei Received:Jan.2nd,2024;accepted:Jan.19th,2024;published:Feb.29th,2024 Abstract
5、In view of the highly random and unstable characteristics of wind speed series,a new combined model is constructed for short-term wind speed prediction.The model consists of particle swarm optimization-time-varying filtering-empirical mode decomposition(PSO-TVF-EMD),permutation entropy(PE),long-shor
6、t term memory network(LSTM)and auto regressive integrated moving average(ARIMA).Firstly,the original wind speed series are decomposed into several modal com-ponents by using PSO-TVF-EMD algorithm to simplify the complexity of the wind speed series,and secondly,the wind speed sub-modes are divided in
7、to high frequency series and low frequency se-胡文博 等 DOI:10.12677/orf.2024.141103 1121 运筹与模糊学 ries by using PE algorithm,the LSTM and ARIMA prediction models are constructed for the two se-ries,and the wind speed prediction values are obtained by superimposing the results of the sub-series.The experi
8、mental results show that the new combined forecasting model increases the forecasting precision to some extent.Keywords Time-Varying Filtering,Particle Swarm Optimization,Permutation Entropy Model,Long-Term and Short-Term Memory Network,Short-Term Wind Speed Prediction Copyright 2024 by author(s)and
9、 Hans Publishers Inc.This work is licensed under the Creative Commons Attribution International License(CC BY 4.0).http:/creativecommons.org/licenses/by/4.0/1.引言引言 在如今高速发展的社会形势下,能源的消耗速度在逐渐加速。近年来巨大的能源需求已经引发了资源耗尽和环境降级等问题。为了应对这种危机,全球各地已经开始专注于开发可再生能源,以推动能源的可持续发展。因此,寻求一个环保、可持续的能源是未来能源产业的发展趋势。就目前的生态形式和国家能
10、源战略要求来看,作为新能源的风能是具有极大的发展潜能的。风力发电的动力输入为大自然界的自然风,它具有不可控性、随机性、不连续性和波动性,导致了风力发电在维持电网电压频率稳定性方面比较差。这些特点同时也会加大风速高精度预测的难度。研究短期风速变化并进行风速预测是一项很有实际意义的工作。针对短期风速预测存在的精度低,不可靠、鲁棒性差的问题,风电预测专家学者们已做出了很多工作,取得了很多值得关注的显著性成果。初始的短期风速预测模型大都采用统计学的方法,比如灰色预测模型、马尔柯夫链预测模型,以及自回归预测模型1等。虽然这种统计学为基础的模型在预测上实现了部分效果,但是,由于其主要依赖于统计学原理和线性
11、模型来进行模拟,因此对于风速的非线性和波动行为的精确预测,仍有改进之处。另一种是基于机器学习的模型,如支持向量机模型2和神经网络3 4,通过学习风速的历史数据,能够更好地拟合风速变化。相比之下,基于机器学习的模型在处理风速的非线性回归上表现出色,并且预测的精确度也得到了提升。尽管如此,但单独的预测模型在预测风速上仍存在准确度不足的问题,因此,目前研究人员开始将注意力放在混合模型上,其中采用“分解预测重构”策略的混合预测模型被广泛应用。相较于传统模型,其在提升预测精度上表现出更大的效果,并为预测风速提供了一种新的思路。该预测模型首先运用分解技术使得非线性非稳定的风速序列平稳,然后建立适合的数学模
12、型进行预测。比如赵征等5觉察到风速序列强烈的波动性,他们提出了以 VMD 和 ARIMA 为基础的超短期风速预测模型。王贺等6在CEEMDAN 和 LSTM 组合模型的基础上使用了布谷鸟算法对 LSTM 进行了优化,然后对风速时间序列进行了预测。向玲等7将 CEEMDAN 二次分解和 LSTM 进行结合进行了风速多步预测研究。王俊等8基于 VMD 和 LSTM 进行了超短期风速预测。为了解决模态混叠问题并保持信号序列的时变性,Li 及其团队9引入了使用时变滤波器的TVF-EMD 方法。以此为基础王文川10则利用 TVF-EMD 和 LSTM 用来进行月径流预测研究。Open AccessOpe
13、n Access胡文博 等 DOI:10.12677/orf.2024.141103 1122 运筹与模糊学 因此,本文基于现有的研究成果,引入了一个新的组合预测模型,该模型运用了“分解预测重构”的方法,该模型由粒子群优化时变滤波经验模态分解(PSO-TVF-EMD)、排列熵(PE)、长短期记忆网络(LSTM)和自回归差分移动平均(ARIMA)组成。首先利用 PSO-TVF-EMD 算法将原始风速序列分解为若干模态分量,以简化风速序列的复杂性;其次,使用 PE 把风速子模态分为高频序列和低频序列,并对这两种序列分别构建 LSTM 和 ARIMA 预测模型;最终,将子序列预测结果叠加,得出最终的
14、风速预测值。2.算法和模型算法和模型 2.1.TVF-EMD 在 2017 年,学者 Li 等9率先引入了时变滤波经验模态分解的概念,对原先的 EMD 方法进行了调整和优化。这项技术创新地利用了时变滤波器,有效地解决了模态混叠的困扰,同时也保持了序列的时变性。不仅如此,时变滤波经验模态分解还采用了瞬时幅度和瞬时频率,以此自行调整局部截止频率,以达到对输入序列进行时变滤波的效果,在进一步划分出局部高频和局部低频成分后,产生了固有模态函数(Intrinsic Mode Function,IMFs)。TVF-EMD 方法的计算步骤为:1)利用 Hilbert 变换计算时间序列的瞬时幅值()A t和瞬
15、时频率()1t;()()()()()()()22d arctandA tX tX ttX tX tt=+=本式中:()X t为时间序列()X t的 Hilbert 变换。2)确定瞬时幅值()A t的局部极大值序列和局部极小值序列,分别表示为()maxAt和()minAt;3)对()maxAt进行插值得到()1t,以同样的方法对()minAt进行插值得到()2t,计算瞬时均值()1a t和瞬时包络()2at:()()()()()()12112222tta tttat+=4)分别对()()2minminAtt和()()2maxmaxAtt进行插值,得到()1t和()2t,并计算瞬时频率分量()1t
16、和()2t;5)计算局部截止频率bis:()()122bistt+=6)为解决间歇问题,重新对局部截止频率bis进行调整;7)计算信号()()cosdbish ttt=,并将()h t的极值点作为构造时变滤波器的节点,采用样条插值对时间序列()X t进行逼近;8)计算停止准则()t,如果()t,则可确定()X t为一个 IMF,不满足则令()t重复执行(1)(8);分解后得到的所有模态分量()iXt,将全部的分量相加得到的值则为原时间序列()X t的值。2.2.PSO 算法算法 粒子群优化(PSO)策略根据鸟儿觅食的行为获得启示,常用于处理最优化问题。在 PSO 结构中,各胡文博 等 DOI:
17、10.12677/orf.2024.141103 1123 运筹与模糊学 个粒子象征着在解空间内移动的点,其速度各不相同。每个粒子都会根据与目标函数相匹配的适应度有不同的解,适应度函数是根据最优化目标设定的,可测量解的优劣。粒子们会追随现在最优的粒子在解空间里搜寻,通过不断的迭代最后找出最优解。2.3.PE 算法算法 排列熵(PE)算法是一种基于信息论的度量方法。通过相邻值的比较,分析了时间序列数据的复杂性。PE 算法计算如下:首先,假设时间序列()(),1 2,X ttT=,并重构其相空间:()()()1,1,2,1tttmx tx xxtTM+=然后,按升序重新排列()x t中的元素:()
18、()()()()()()1212111111,mmtjtjtjtjtjtjx txxxxxx+=每个可能的排列都表示为12,mwjjj=,m 维序列存在 m!不同的排列。每个排列的概率是12,gP PP。根据信息熵,置换熵的归一化可以定义为:()!1lnPEPEln!ln!mggppmmm=PE 的值介于0,1之间,表示时间序列的复杂性。PE 值越接近 1,时间序列的复杂度越高;PE 值越接近 0,时间序列的复杂度越低。由于 ARIMA 模型对时间序列的平滑性要求较高,本文采用不同的置换熵值进行实验分析,然后确定置换熵的阈值为 0.2,大于 0.2 的是非平稳高频序列,小于 0.2 的是平稳低
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 组合 模型 短期 风速 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。