CN109118000A - 一种基于ceemd-vmd-ga-orelm模型的短期风速预测方法 - Google Patents
一种基于ceemd-vmd-ga-orelm模型的短期风速预测方法 Download PDFInfo
- Publication number
- CN109118000A CN109118000A CN201810891427.3A CN201810891427A CN109118000A CN 109118000 A CN109118000 A CN 109118000A CN 201810891427 A CN201810891427 A CN 201810891427A CN 109118000 A CN109118000 A CN 109118000A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- model
- orelm
- vmd
- ceemd
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 18
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 230000002068 genetic effect Effects 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 230000000295 complement effect Effects 0.000 claims abstract description 17
- 239000000203 mixture Substances 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 18
- 108090000623 proteins and genes Proteins 0.000 claims description 12
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 238000009472 formulation Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 5
- 238000013213 extrapolation Methods 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 230000010363 phase shift Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004870 electrical engineering Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 210000004218 nerve net Anatomy 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及涉及电气工程的技术领域，更具体地，涉及一种基于CEEMD‑VMD‑GA‑ORELM模型的短期风速预测方法，首先获取风速历史数据并对数据做预处理，然后利用互补经验模态分解和变分模态分解将历史风速数据分解成一系列拥有特定稀疏属性的离散模态；接着采用遗传算法优化离群鲁棒极限学习机的预测模型对所有子序列进行单步预测；最后叠加所有子序列的预测值，得到实际预测结果。本发明利用互补经验模态分解和变分模态分解的二层分解减少风速序列的非平稳性和非线性问题，采用遗传算法优化离群鲁棒极限学习机组成混合模型进行单步预测，降低了风速序列复杂特性对预测结果的影响，提高了短期风速预测的精度，解决了神经网络的局部最优问题。
Description
技术领域
本发明涉及电气工程的技术领域，更具体地，涉及一种基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法。
背景技术
风电作为一种可再生清洁能源，近几年来在我国得到大规模发展，同时，风力发电所具有的随机性、间歇性和波动性对电网的稳定和经济运行带来安全隐患。准确的风速预测结果可以为规划和调度提供有力的依据，也已成为大规模风电并网后能量管理系统的重要组成部分。
目前，风速预测可分为短期、中期和长期预测，在工程上的意义也各不相同。短期风速预测是含风电的电力系统经济调度的重要依据，常用的短期风速预测模型包括时间序列模型，人工智能模型和混合模型。与常规的神经网络模型相比，采用遗传算法(GA)优化后的神经网络模型弥补了很多不足，它避免了神经网络的参数陷入局部最优的缺陷，提高了神经网络的泛化能力，所以可用于短期风速预测，然而，由于风速序列具有非平稳性和非线性的复杂特性，单一的预测模型一方面容易陷入局部最优的问题，一方面很难处理风速的高度非线性对预测结果的影响，而导致不能准确预测风速。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于互补经验模态分解和变分模态分解的短期风速预测方法，互补经验模态分解(CEEMD)和变分模态分解(VMD)的二层分解技术将原始风速分解成一系列模态，再采用预测模型进行预测，能够提高风速预测模型的泛化能力和预测精度。
为解决上述技术问题，本发明采用的技术方案是：
提供一种基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法，包括以下步骤：
S10.获取风速历史数据并对数据进行预处理得到原始数据序列x(t)；
S20.利用互补经验模态分解(CEEMD)进行分解，将风速历史数据分解成一系列离散模态；
S30.利用变分模态分解(VMD)进行二次分解，将风速历史数据分解成一系列离散模态；
S40.选择训练样本，建立遗传算法(GA)优化离群鲁棒极限学习机(ORELM)神经网络的预测模型(CEEMD-VMD-GA-ORELM)；
S50.对所有子序列均采用步骤S40中的遗传算法优化离群鲁棒极限学习机神经网络的预测模型(CEEMD-VMD-GA-ORELM)进行单步预测；
S60.叠加步骤S50中所有子序列的预测值，得到实际预测结果。
本发明的基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法，
优选地，步骤S10中，所述风速历史数据包括500～900点风速数据。
优选地，步骤S10中，所述风速历史数据包括700点风速数据。
优选地，步骤S20中，互补经验模态分解按以下步骤进行分解：
S21.基于经验模态分解方法，将原始数据序列x(t)分解成若干固有模态分量和余量，如下式：
式中，m为本征模态函数IMF总数；ci(t)为第i个IMF分量；rm(t)为余量；
S22.基于集合经验模态分解方法，向原始数据序列x(t)中加入白噪声信号，加入的白噪声信号符合以下统计规律：
式中，N是添加白噪声的集合数；ε是附加噪声的标准差；εm是最终标准偏差；
S23.基于互补经验模态分解方法，向原始数据序列x(t)中加入正负成对形式的白噪声。
优选地，步骤S23中，所述互补经验模态分解方法包括以下步骤：
S231.在原始数据序列x(t)中加入一对幅值相同、相位角相差180°的随机白噪声序列：
式中，μ为噪声的幅值，M为迭代次数，σm(t)为加入的白噪声序列；
S232.通过经验模态分解方法对时间序列x1(t)和x2(t)分别进行分解，得到两种IMF和余项如下：
式中，为分解得到的IMF分量；为余项；
S233.求取分解结果的总体平均，得到最终的IMF分量ci和余项r：
优选地，步骤S30中，所述变分模态分解的二次分解包括以下步骤：
S31.对于原始输入信号f(t)，利用希尔伯特变换，得到每个模态函数uk(t)的解析信号，并获得单变频谱其中，t表示第t时刻，k表示第k个模态，j表示虚数单位，σ(t)表示第k个模态在第t时刻的中心频率；
S32.将每个模态的频谱以及各模态解析信号的混合以预估中心频率为基准调制到相应基频带其中wk表示第k个模态的角频率；
S33.将步骤S32中的解调信号梯度的平方L2范数，估计各模态的信号的带宽，受约束的变分模态分解问题如下：
式中，{uk}＝{u1，…，uK}，{wk}＝{w1，…，wK}；k＝1，2，3…K，表示对t求偏导，f(t)表示原始输入信号。
优选地，步骤S33中，变分模态分解问题的求解包括以下步骤：
S331.引入二次罚函数项a和拉格朗日乘子算子λ(t)，可以将步骤S30中的约束问题转换为无约束问题，形成了扩展拉格朗日表达式，如下式：
S332.初始化参数 和n；其中，{uk}＝{u1，…，uK}表示k个模态函数，表示这k个模态函数的初值，{wk}＝{w1，…，wK}表示第k个中心频率，表示这第k个中心频率的初值，是拉格朗日乘法算子的初值，n为迭代次数；
S333.采用交替乘子方向法解决变分模态分解的问题，通过交替更新 以及λn+1寻求扩展拉格朗日表达式的鞍点；
uk和wk分别由以下公式进行更新：
λ采用进行更新：
S334.对于给定的判别精度e＞0：若则停止迭代，获得一个分量U1；
S335.重复步骤S333和S334就可获得其余分量U2、U3、…、Un。
优选地，步骤S50中，按以下步骤建立遗传算法优化离群鲁棒极限学习机神经网络的预测模型：
S51.种群初始化，随机产生n组神经网络的初始权值及初始阈值组合；遗传算法初始化种群中，每一个个体包括神经网络的权值和阈值；个体通过实数编码，为一个实数字符串，对三层神经网络，确定输入层、中间隐含层、输出层之间的权值以及中间隐含层及输出层的阈值；遗传算法适应度函数为：
其中，n为神经网络输出层节点数，yi、oi分别为第i个节点的实际输出及经过系统预测输出结果，f为个体的适应度，a为基因的编码，b为在区间[0，1]随机数；
S52.通过选择操作、交叉操作与变异操作产生下一代；
S53.若达到收敛条件，则将收敛的最好染色体作为神经网络的初始权值和初始阈值，完成对神经网络的优化；若未达到收敛条件，则返回步骤S52。
优选地，步骤S52中，产生下一代的具体步骤包括：
S521.选择操作采用轮盘赌方法，个体选择的概率为：
式中，N为算子个数，f(i)为个体i的适应度；
S522.交叉操作采用实数交叉法，交叉过程为对第m和第n个染色体在第k位交叉操作为：
式中，b为在区间[0，1]随机数，a为基因的编码；
S523.对个体i中第j个基因aij进行变异操作为：
式中，amax、amin分别表示基因aij的上界与下界；
其中，r2为[0，1]之间产生的随机数，g当前算子迭代数，Gmax为最大进化次数。
与现有技术相比，本发明的有益效果是：
(1)本发明利用互补经验模态分解和变分模态分解的二层分解减少风速序列的非平稳性和非线性问题，采用遗传算法优化离群鲁棒极限学习机组成混合模型进行单步预测，降低了风速序列复杂特性对预测结果的影响，提高了短期风速预测的精度；
(2)本发明利用互补经验模态分解和变分模态分解的二层分解技术对原始风速进行分解，采用遗传算法优化的离群鲁棒极限学习机神经网络模型对风速进行预测，有效解决了复杂的数据序列，同时解决了神经网络的局部最优问题。
(3)本发明利用遗传算法优化神经网络输入层和隐含层的权值和阀值，弥补了神经网络易陷入局部最优的缺陷，提高了神经网络的泛化能力。
附图说明
图1为本发明的基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法的结构示意图。
图2为本发明的CEEMD-VMD-GA-ORELM的预测结果图。
图3为实施例中四种预测模型的预测效果对比图。
具体实施方式
下面结合具体实施方式对本发明进行阐述，然而本发明的保护范围并非紧紧局限于以下实施例，实施例的说明只是用于帮助理解本发明的方法及其核心思想。凡在本专利的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明要求的保护范围之内。
实施例
如图1所示为本发明的基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法的实施例，包括以下步骤：
S10.获取风速历史数据并对数据进行预处理得到原始数据序列x(t)；本实施例中的风速历史数据包括700点风速数据；
S20.利用互补经验模态分解进行分解，将风速历史数据分解成一系列离散模态；
其中，步骤S20中，互补经验模态分解按以下步骤进行分解：
S21.基于经验模态分解方法，将原始数据序列x(t)分解成若干固有模态分量和余量，如下式：
式中，m为本征模态函数IMF总数；ci(t)为第i个IMF分量；rm(t)为余量；
S22.基于集合经验模态分解方法，向原始数据序列x(t)中加入白噪声信号，加入的白噪声信号符合以下统计规律：
式中，N是添加白噪声的集合数；ε是附加噪声的标准差；εm是最终标准偏差；
S23.基于互补经验模态分解方法，向原始数据序列x(t)中加入正负成对形式的白噪声。
步骤S23中，所述互补经验模态分解方法包括以下步骤：
S231.在原始数据序列x(t)中加入一对幅值相同、相位角相差180°的随机白噪声序列：
式中，μ为噪声的幅值，M为迭代次数，σm(t)为加入的白噪声序列；
S232.通过经验模态分解方法对时间序列x1(t)和x2(t)分别进行分解，得到两种IMF和余项如下：
式中，为分解得到的IMF分量；为余项；
S233.求取分解结果的总体平均，得到最终的IMF分量ci和余项r：
S30.利用变分模态分解进行二次分解，将风速历史数据分解成一系列离散模态；
步骤S30中，所述变分模态分解的二次分解包括以下步骤：
S31.对于原始输入信号f(t)，利用希尔伯特变换，得到每个模态函数uk(t)的解析信号，并获得单变频谱其中，t表示第t时刻，k表示第k个模态，j表示虚数单位，σ(t)表示第k个模态在第t时刻的中心频率；
S32.将每个模态的频谱以及各模态解析信号的混合以预估中心频率为基准调制到相应基频带其中wk表示第k个模态的角频率；
S33.将步骤S32中的解调信号梯度的平方L2范数，估计各模态的信号的带宽，受约束的变分模态分解问题如下：
式中，{uk}＝{u1，…，uK}，{wk}＝{w1，…，wK}；k＝1，2，3…K，表示对t求偏导，f(t)表示原始输入信号。
其中，步骤S33中，变分模态分解问题的求解包括以下步骤：
S331.引入二次罚函数项a和拉格朗日乘子算子λ(t)，可以将步骤S30中的约束问题转换为无约束问题，形成了扩展拉格朗日表达式，如下式：
S332.初始化参数 和n；其中，{uk}＝{u1，…，uK}表示k个模态函数，表示这k个模态函数的初值，{wk}＝{w1，…，wK}表示第k个中心频率，表示这第k个中心频率的初值，是拉格朗日乘法算子的初值，n为迭代次数；
S333.采用交替乘子方向法解决变分模态分解的问题，通过交替更新 以及λn+1寻求扩展拉格朗日表达式的鞍点；
uk和wk分别由以下公式进行更新：
λ采用进行更新：
S334.对于给定的判别精度e＞0：若则停止迭代，获得一个分量U1；
S335.重复步骤S333和S334就可获得其余分量U2、U3、…、Un。
S40.选择训练样本，建立遗传算法优化离群鲁棒极限学习机神经网络的预测模型；
S50.对所有子序列均采用步骤S40中的遗传算法优化离群鲁棒极限学习机神经网络的预测模型进行单步预测；
步骤S50中，按以下步骤建立遗传算法优化离群鲁棒极限学习机神经网络的预测模型：
S51.种群初始化，随机产生n组神经网络的初始权值及初始阈值组合；遗传算法初始化种群中，每一个个体包括神经网络的权值和阈值；个体通过实数编码，为一个实数字符串，对三层神经网络，确定输入层、中间隐含层、输出层之间的权值以及中间隐含层及输出层的阈值；遗传算法适应度函数为：
其中，n为神经网络输出层节点数，yi、oi分别为第i个节点的实际输出及经过系统预测输出结果，f为个体的适应度，a为基因的编码，b为在区间[0，1]随机数；
S52.通过选择操作、交叉操作与变异操作产生下一代；
S53.若达到收敛条件，则将收敛的最好染色体作为神经网络的初始权值和初始阈值，完成对神经网络的优化；若未达到收敛条件，则返回步骤S52。
其中，步骤S52中，产生下一代的具体步骤包括：
S521.选择操作采用轮盘赌方法，个体选择的概率为：
式中，N为算子个数，f(i)为个体i的适应度；
S522.交叉操作采用实数交叉法，交叉过程为对第m和第n个染色体在第k位交叉操作为：
式中，b为在区间[0，1]随机数，a为基因的编码；
S523.对个体i中第j个基因aij进行变异操作为：
式中，amax、amin分别表示基因aij的上界与下界；
其中，r2为[0，1]之间产生的随机数，g当前算子迭代数，Gmax为最大进化次数。
S60.叠加步骤S50中所有子序列的预测值，得到实际预测结果。
本实施例建立的模型为互补经验模态分解(CEEMD)和变分模态分解(VMD)二层分解下遗传算法(GA)优化离群鲁棒极限学习机模型(ORELM)，记为CEEMD-VMD-GA-ORELM模型，其预测结果图与真实测量结果图如图2所示，可见，两条预测曲线几乎重叠，CEEMD-VMD-GA-ORELM预测结果具有较高的准确度。
本实施例还将实施例一中的CEEMD-VMD-GA-ORELM模型与遗传算法优化离群鲁棒极限学习机模型(GA-ORELM)、互补经验模态分解下的遗传算法优化离群鲁棒极限学习机模型(CEEMD-GA-ORELM)、变分模态分解下的遗传算法优化离群鲁棒极限学习机模型(VMD-GA-ORELM)进行比较，四种预测模型的预测效果对比图如图3所示。另外，本实施例还对四种预测模型CEEMD-VMD-GA-ORELM、GA-ORELM、CEEMD-GA-ORELM、VMD-GA-ORELM做误差对比分析，误差对比如表1所示。结合表1和图3可知，CEEMD-GA-ORELM模型和VMD-GA-ORELM模型相比GA-ORELM模型，预测精度得到提高；而在四种模型中，预测精度最高的是CEEMD-VMD-GA-ORELM模型。
表1不同模型的预测效果误差分析
Claims (9)
1.一种基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法，其特征在于，包括以下步骤：
S10.获取风速历史数据并对数据进行预处理得到原始数据序列x(t)；
S20.利用互补经验模态分解进行分解，将风速历史数据分解成一系列离散模态；
S30.利用变分模态分解进行二次分解，将风速历史数据分解成一系列离散模态；
S40.选择训练样本，建立遗传算法优化离群鲁棒极限学习机神经网络的预测模型；
S50.对所有子序列均采用步骤S40中的遗传算法优化离群鲁棒极限学习机神经网络的预测模型进行单步预测；
S60.叠加步骤S50中所有子序列的预测值，得到实际预测结果。
2.根据权利要求1所述的基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法，其特征在于，步骤S10中，所述风速历史数据包括500～900点风速数据。
3.根据权利要求1所述的基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法，其特征在于，步骤S10中，所述风速历史数据包括700点风速数据。
4.根据权利要求1所述的基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法，其特征在于，步骤S20中，互补经验模态分解按以下步骤进行分解：
S21.基于经验模态分解方法，将原始数据序列x(t)分解成若干固有模态分量和余量，如下式：
式中，为本征模态函数IMF总数；ci(t)为第i个IMF分量；rm(t)为余量；
S22.基于集合经验模态分解方法，向原始数据序列x(t)中加入白噪声信号，加入的白噪声信号符合以下统计规律：
式中，N是添加白噪声的集合数；ε是附加噪声的标准差；εm是最终标准偏差；
S23.基于互补经验模态分解方法，向原始数据序列x(t)中加入正负成对形式的白噪声。
5.根据权利要求4所述的基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法，其特征在于，步骤S23中，所述互补经验模态分解方法包括以下步骤：
S231.在原始数据序列x(t)中加入一对幅值相同、相位角相差180°的随机白噪声序列：
式中，μ为噪声的幅值，M为迭代次数，σm(t)为加入的白噪声序列；
S232.通过经验模态分解方法对时间序列x1(t)和x2(t)分别进行分解，得到两种IMF和余项如下：
式中，为分解得到的IMF分量；为余项；
S233.求取分解结果的总体平均，得到最终的IMF分量ci和余项r：
6.根据权利要求1所述的基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法，其特征在于，步骤S30中，所述变分模态分解的二次分解包括以下步骤：
S31.对于原始输入信号f(t)，利用希尔伯特变换，得到每个模态函数uk(t)的解析信号，并获得单变频谱其中，t表示第t时刻，k表示第k个模态，j表示虚数单位，σ(t)表示第k个模态在第t时刻的中心频率；
S32.将每个模态的频谱以及各模态解析信号的混合以预估中心频率为基准调制到相应基频带其中wk表示第k个模态的角频率；
S33.将步骤S32中的解调信号梯度的平方L2范数，估计各模态的信号的带宽，受约束的变分模态分解问题如下：
式中，{uk}＝{u1，…，uK}，{wk}＝{w1,…,wK}；k＝1,2,3…K，表示对t求偏导，f(t)表示原始输入信号。
7.根据权利要求6所述的基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法，其特征在于，步骤S33中，变分模态分解问题的求解包括以下步骤：
S331.引入二次罚函数项a和拉格朗日乘子算子λ(t)，可以将步骤S30中的约束问题转换为无约束问题，形成了扩展拉格朗日表达式，如下式：
S332.初始化参数和n；其中，{uk}＝{u1，...，uK}表示k个模态函数，表示这k个模态函数的初值，{wk}＝{w1,…,wK}表示第k个中心频率，表示这第k个中心频率的初值，是拉格朗日乘法算子的初值，n为迭代次数；
S333.采用交替乘子方向法解决变分模态分解的问题，通过交替更新 以及λn+1寻求扩展拉格朗日表达式的鞍点；
uk和wk分别由以下公式进行更新：
λ采用进行更新：
S334.对于给定的判别精度e＞0：若则停止迭代，获得一个分量U1；
S335.重复步骤S333和S334就可获得其余分量U2、U3、...、Un。
8.根据权利要求1所述的基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法，其特征在于，步骤S50中，按以下步骤建立遗传算法优化离群鲁棒极限学习机神经网络的预测模型：
S51.种群初始化，随机产生n组神经网络的初始权值及初始阈值组合；遗传算法初始化种群中，每一个个体包括神经网络的权值和阈值；个体通过实数编码，为一个实数字符串，对三层神经网络，确定输入层、中间隐含层、输出层之间的权值以及中间隐含层及输出层的阈值；遗传算法适应度函数为：
其中，n为神经网络输出层节点数，yi、oi分别为第i个节点的实际输出及经过系统预测输出结果，f为个体的适应度，a为基因的编码，b为在区间[0,1]随机数；
S52.通过选择操作、交叉操作与变异操作产生下一代；
S53.若达到收敛条件，则将收敛的最好染色体作为神经网络的初始权值和初始阈值，完成对神经网络的优化；若未达到收敛条件，则返回步骤S52。
9.根据权利要求8所述的基于CEEMD-VMD-GA-ORELM模型的短期风速预测方法，其特征在于，步骤S52中，产生下一代的具体步骤包括：
S521.选择操作采用轮盘赌方法，个体选择的概率为：
式中，N为算子个数，f(i)为个体i的适应度；
S522.交叉操作采用实数交叉法，交叉过程为对第m和第n个染色体在第k位交叉操作为：
式中，b为在区间[0,1]随机数，a为基因的编码；
S523.对个体i中第j个基因aij进行变异操作为：
式中，amax、amin分别表示基因aij的上界与下界；
其中，r2为[0,1]之间产生的随机数，g当前算子迭代数，Gmax为最大进化次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810891427.3A CN109118000A (zh) | 2018-08-07 | 2018-08-07 | 一种基于ceemd-vmd-ga-orelm模型的短期风速预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810891427.3A CN109118000A (zh) | 2018-08-07 | 2018-08-07 | 一种基于ceemd-vmd-ga-orelm模型的短期风速预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109118000A true CN109118000A (zh) | 2019-01-01 |
Family
ID=64852096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810891427.3A Pending CN109118000A (zh) | 2018-08-07 | 2018-08-07 | 一种基于ceemd-vmd-ga-orelm模型的短期风速预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109118000A (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009125A (zh) * | 2019-01-23 | 2019-07-12 | 华南理工大学 | 基于emd-vmd-pso-bpnn的短期电力负荷预测模型建立方法 |
| CN110082841A (zh) * | 2019-04-18 | 2019-08-02 | 东华大学 | 一种短期风速预测方法 |
| CN110363360A (zh) * | 2019-07-24 | 2019-10-22 | 广东工业大学 | 一种短期风电功率预测方法、装置及设备 |
| CN110648017A (zh) * | 2019-08-30 | 2020-01-03 | 广东工业大学 | 一种基于二层分解技术的短期冲击负荷预测方法 |
| CN110942170A (zh) * | 2019-08-29 | 2020-03-31 | 华北电力大学（保定） | 一种基于信息处理的短期风速预测方法及系统 |
| CN110967471A (zh) * | 2019-11-14 | 2020-04-07 | 广东电网有限责任公司 | 一种变压器油中溶解气体浓度预测方法 |
| CN111047109A (zh) * | 2019-12-24 | 2020-04-21 | 武汉理工大学 | 区域气温变化的定量预测方法 |
| CN111553513A (zh) * | 2020-04-14 | 2020-08-18 | 太原理工大学 | 一种基于二次分解与回声状态网络的中长期径流预测方法 |
| CN111553510A (zh) * | 2020-04-08 | 2020-08-18 | 东华大学 | 一种短期风速预测方法 |
| CN111882106A (zh) * | 2020-06-16 | 2020-11-03 | 江苏大学 | 基于综合因素和ceemd-igwo-grnn的短期电力负荷预测方法 |
| CN112561200A (zh) * | 2020-12-22 | 2021-03-26 | 国网甘肃省电力公司电力科学研究院 | 基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术 |
| CN113033094A (zh) * | 2021-03-24 | 2021-06-25 | 上海海洋大学 | 一种海浪高度预测方法 |
| CN113567129A (zh) * | 2021-07-28 | 2021-10-29 | 大连海天兴业科技有限公司 | 一种列车轴承振动信号基于ceemd的降噪方法 |
| CN113762078A (zh) * | 2021-08-03 | 2021-12-07 | 南昌工程学院 | 基于vmd-cssa-lstm-mlr组合模型的湖泊tn预测方法 |
| CN114912723A (zh) * | 2022-07-18 | 2022-08-16 | 南京信息工程大学 | 一种基于hht-bmvo-bp的短期风速预测方法 |
| CN117408164A (zh) * | 2023-12-13 | 2024-01-16 | 西安热工研究院有限公司 | 储能辅助黑启动的风速智能预测方法及系统 |
| CN117748501A (zh) * | 2024-02-19 | 2024-03-22 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风功率预测方法和系统 |
| CN117977634B (zh) * | 2024-03-27 | 2024-06-07 | 西安热工研究院有限公司 | 一种基于双分解的熔盐耦合火电机组的调频方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503793A (zh) * | 2016-10-25 | 2017-03-15 | 广东工业大学 | 一种基于改进差分算法的神经网络短期风速预测方法 |
| CN107392397A (zh) * | 2017-08-25 | 2017-11-24 | 广东工业大学 | 一种短期风速预测方法、装置及系统 |
| CN108090621A (zh) * | 2017-12-28 | 2018-05-29 | 华中科技大学 | 一种基于分阶段整体优化的短期风速预测方法与系统 |
-
2018
- 2018-08-07 CN CN201810891427.3A patent/CN109118000A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503793A (zh) * | 2016-10-25 | 2017-03-15 | 广东工业大学 | 一种基于改进差分算法的神经网络短期风速预测方法 |
| CN107392397A (zh) * | 2017-08-25 | 2017-11-24 | 广东工业大学 | 一种短期风速预测方法、装置及系统 |
| CN108090621A (zh) * | 2017-12-28 | 2018-05-29 | 华中科技大学 | 一种基于分阶段整体优化的短期风速预测方法与系统 |
Non-Patent Citations (5)
| Title |
|---|
| KAI ZHANG: ""Outlier-robust extreme learning machine for regression problems"", 《NEUROCOMPUTING》 * |
| 吕忠: ""基于遗传算法改进极限学习机的变压器故障诊断"", 《高压电器》 * |
| 安立周等: "《工程装备可靠性设计》", 31 July 2018 * |
| 殷豪: ""An effective secondary decomposition approach for wind power forecasting using extreme learning machine trained by crisscross optimization"", 《ENERGY CONVERSION AND MANAGEMENT》 * |
| 殷豪: ""基于CEEMD和膜计算优化支持向量机的风速预测"", 《电力系统保护与控制》 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009125A (zh) * | 2019-01-23 | 2019-07-12 | 华南理工大学 | 基于emd-vmd-pso-bpnn的短期电力负荷预测模型建立方法 |
| CN110082841A (zh) * | 2019-04-18 | 2019-08-02 | 东华大学 | 一种短期风速预测方法 |
| CN110363360A (zh) * | 2019-07-24 | 2019-10-22 | 广东工业大学 | 一种短期风电功率预测方法、装置及设备 |
| CN110942170A (zh) * | 2019-08-29 | 2020-03-31 | 华北电力大学（保定） | 一种基于信息处理的短期风速预测方法及系统 |
| CN110648017A (zh) * | 2019-08-30 | 2020-01-03 | 广东工业大学 | 一种基于二层分解技术的短期冲击负荷预测方法 |
| CN110967471A (zh) * | 2019-11-14 | 2020-04-07 | 广东电网有限责任公司 | 一种变压器油中溶解气体浓度预测方法 |
| CN111047109A (zh) * | 2019-12-24 | 2020-04-21 | 武汉理工大学 | 区域气温变化的定量预测方法 |
| CN111553510A (zh) * | 2020-04-08 | 2020-08-18 | 东华大学 | 一种短期风速预测方法 |
| CN111553513A (zh) * | 2020-04-14 | 2020-08-18 | 太原理工大学 | 一种基于二次分解与回声状态网络的中长期径流预测方法 |
| CN111882106A (zh) * | 2020-06-16 | 2020-11-03 | 江苏大学 | 基于综合因素和ceemd-igwo-grnn的短期电力负荷预测方法 |
| CN112561200A (zh) * | 2020-12-22 | 2021-03-26 | 国网甘肃省电力公司电力科学研究院 | 基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术 |
| CN113033094A (zh) * | 2021-03-24 | 2021-06-25 | 上海海洋大学 | 一种海浪高度预测方法 |
| CN113033094B (zh) * | 2021-03-24 | 2024-02-09 | 上海海洋大学 | 一种海浪高度预测方法 |
| CN113567129A (zh) * | 2021-07-28 | 2021-10-29 | 大连海天兴业科技有限公司 | 一种列车轴承振动信号基于ceemd的降噪方法 |
| CN113762078A (zh) * | 2021-08-03 | 2021-12-07 | 南昌工程学院 | 基于vmd-cssa-lstm-mlr组合模型的湖泊tn预测方法 |
| CN114912723A (zh) * | 2022-07-18 | 2022-08-16 | 南京信息工程大学 | 一种基于hht-bmvo-bp的短期风速预测方法 |
| CN114912723B (zh) * | 2022-07-18 | 2022-10-04 | 南京信息工程大学 | 一种基于hht-bmvo-bp的短期风速预测方法 |
| CN117408164A (zh) * | 2023-12-13 | 2024-01-16 | 西安热工研究院有限公司 | 储能辅助黑启动的风速智能预测方法及系统 |
| CN117408164B (zh) * | 2023-12-13 | 2024-03-22 | 西安热工研究院有限公司 | 储能辅助黑启动的风速智能预测方法及系统 |
| CN117748501A (zh) * | 2024-02-19 | 2024-03-22 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风功率预测方法和系统 |
| CN117748501B (zh) * | 2024-02-19 | 2024-05-07 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风功率预测方法和系统 |
| CN117977634B (zh) * | 2024-03-27 | 2024-06-07 | 西安热工研究院有限公司 | 一种基于双分解的熔盐耦合火电机组的调频方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109118000A (zh) | 一种基于ceemd-vmd-ga-orelm模型的短期风速预测方法 | |
| CN109214575A (zh) | 一种基于小波长短期记忆网络的超短期风电功率预测方法 | |
| CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
| CN106875041A (zh) | 一种短期风速预测方法 | |
| CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
| CN109242212A (zh) | 一种基于变模式分解与长短记忆网络的风电预测方法 | |
| CN110161370A (zh) | 一种基于深度学习的电网故障检测方法 | |
| CN110083940A (zh) | 一种基于ssa-hmd-cnnsvm模型的短期风速预测方法 | |
| CN107909209A (zh) | 完备总体经验模态分解和深度信念网络的风速预测方法 | |
| CN114970952B (zh) | 一种考虑环境因素的光伏出力短期预测方法及系统 | |
| CN110263915A (zh) | 一种基于深度信念网络的风电功率预测方法 | |
| CN110648017A (zh) | 一种基于二层分解技术的短期冲击负荷预测方法 | |
| CN105373856A (zh) | 一种考虑游程检测法重构的风电功率短时组合预测方法 | |
| Sun et al. | A hybrid wind speed forecasting model based on a decomposition method and an improved regularized extreme learning machine | |
| CN109255728A (zh) | 混沌相空间优化重构的光伏发电功率神经网络预测法 | |
| CN105956252B (zh) | 基于生成型深信度网络的超短期风速多尺度预报建模方法 | |
| CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
| CN109614384A (zh) | Hadoop框架下的电力系统短期负荷预测方法 | |
| Wen-jing | Improved Adaptive Genetic Algorithm for Course Scheduling in Colleges and Universities. | |
| CN106096753A (zh) | 一种光伏出力预测方法和装置 | |
| CN105336323A (zh) | 维语语音识别方法和装置 | |
| CN112633632A (zh) | 一种基于信号分解技术的集成短期风电集群功率预测方法 | |
| Akachukwu et al. | A decade survey of engineering applications of genetic algorithm in power system optimization | |
| CN109711612A (zh) | 一种优化回声状态网络的风力发电功率预测方法及装置 | |
| Wang et al. | An LSTM-attention wind power prediction method considering multiple factors |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190101 |