根據(jù)風(fēng)功率非平穩(wěn)特性,提出一種基于互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解和時(shí)間序列分析方法中的差分自回歸滑動(dòng)平均模型的新型風(fēng)功率組合多步預(yù)測(cè)模型。首先對(duì)風(fēng)功率序列進(jìn)行互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解,以降低風(fēng)功率序列的非平穩(wěn)特性;之后采用模糊熵理論對(duì)各分量進(jìn)行復(fù)雜度評(píng)估,對(duì)復(fù)雜度相近的相鄰分量重新組合,從而有效降低預(yù)測(cè)時(shí)間和計(jì)算量;然后對(duì)新組合的各分量建立差分自回歸滑動(dòng)平均（ARIMA）模型,再對(duì)各分量進(jìn)行殘差序列檢驗(yàn),對(duì)存在異方差特性的分量建立ARIMA-GARCH模型;最后疊加各分量預(yù)測(cè)結(jié)果得到最終的風(fēng)功率多步預(yù)測(cè)值。實(shí)驗(yàn)結(jié)果表明,所提的組合預(yù)測(cè)模型具有較高的預(yù)測(cè)精度。 

【文章來(lái)源】：太陽(yáng)能學(xué)報(bào). 2020,41(07)北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

預(yù)測(cè)模型流程圖

歷史風(fēng)功率數(shù)據(jù)

對(duì)歷史風(fēng)功率序列進(jìn)行互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解，以降低風(fēng)功率的波動(dòng)性。結(jié)果如圖3所示。由分解結(jié)果可知，互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)歷史風(fēng)功率序列進(jìn)行逐層分解后實(shí)現(xiàn)各個(gè)分量的準(zhǔn)確分離，從而有效降低風(fēng)功率時(shí)間序列的非平穩(wěn)特性。由于分量過(guò)多，同時(shí)會(huì)增加預(yù)測(cè)模型的預(yù)測(cè)時(shí)間和計(jì)算量，本文采用模糊熵對(duì)各分量做復(fù)雜度評(píng)估，各分量評(píng)估結(jié)果如圖4所示。由圖4可看出，各分量的模糊熵呈下降趨勢(shì)，說(shuō)明其復(fù)雜度也不斷降低。為降低預(yù)測(cè)時(shí)間和計(jì)算量，本文將IMF3、IMF4組合成一個(gè)新的分量；IMF5、IMF6組成一個(gè)新的分量；IMF7、IMF8和res組成一個(gè)新的分量。

【參考文獻(xiàn)】：
期刊論文
[1]基于經(jīng)驗(yàn)?zāi)Ｊ椒纸獾纳窠?jīng)網(wǎng)絡(luò)組合風(fēng)速預(yù)測(cè)研究[J]. 勾海芝,趙征,夏子涵.  電力科學(xué)與工程. 2017(10)
[2]基于修正后ARIMA-GARCH模型的超短期風(fēng)速預(yù)測(cè)[J]. 丁藤,馮冬涵,林曉凡,陳靖文,陳麗霞.  電網(wǎng)技術(shù). 2017(06)
[3]時(shí)間序列模型在風(fēng)場(chǎng)風(fēng)速預(yù)測(cè)中的應(yīng)用[J]. 張少濟(jì),曾杰,張華,王晶.  水利水電技術(shù). 2016(12)
[4]基于GARCH的短時(shí)風(fēng)速預(yù)測(cè)方法[J]. 姜言,黃國(guó)慶,彭新艷,李永樂(lè).  西南交通大學(xué)學(xué)報(bào). 2016(04)
[5]基于小波變換和改進(jìn)螢火蟲(chóng)算法優(yōu)化LSSVM的短期風(fēng)速預(yù)測(cè)[J]. 方必武,劉滌塵,王波,閆秉科,汪勛婷.  電力系統(tǒng)保護(hù)與控制. 2016(08)
[6]廣域風(fēng)能時(shí)空互補(bǔ)性及其對(duì)電網(wǎng)影響的分析[J]. 劉怡,肖立業(yè).  電工電能新技術(shù). 2015(10)
[7]基于經(jīng)驗(yàn)?zāi)B(tài)分解與多步預(yù)測(cè)的最小二乘支持向量機(jī)的風(fēng)速預(yù)測(cè)[J]. 于萌,吳鑫淼,郄志紅.  水電能源科學(xué). 2015(04)
[8]基于卡爾曼濾波的風(fēng)速序列短期預(yù)測(cè)方法[J]. 修春波,任曉,李艷晴,劉明鳳.  電工技術(shù)學(xué)報(bào). 2014(02)
[9]基于混沌分析和神經(jīng)網(wǎng)絡(luò)的風(fēng)速直接多步預(yù)測(cè)[J]. 米增強(qiáng),劉興杰,張艷青,楊奇遜.  太陽(yáng)能學(xué)報(bào). 2011(06)
[10]基于人工神經(jīng)網(wǎng)絡(luò)模型的風(fēng)速預(yù)測(cè)[J]. 黃小華,李德源,呂文閣,成思源.  太陽(yáng)能學(xué)報(bào). 2011(02)



本文編號(hào)：3062297