根據(jù)風功率非平穩(wěn)特性,提出一種基于互補集合經(jīng)驗模態(tài)分解和時間序列分析方法中的差分自回歸滑動平均模型的新型風功率組合多步預測模型。首先對風功率序列進行互補集合經(jīng)驗模態(tài)分解,以降低風功率序列的非平穩(wěn)特性;之后采用模糊熵理論對各分量進行復雜度評估,對復雜度相近的相鄰分量重新組合,從而有效降低預測時間和計算量;然后對新組合的各分量建立差分自回歸滑動平均（ARIMA）模型,再對各分量進行殘差序列檢驗,對存在異方差特性的分量建立ARIMA-GARCH模型;最后疊加各分量預測結(jié)果得到最終的風功率多步預測值。實驗結(jié)果表明,所提的組合預測模型具有較高的預測精度。 

【文章來源】：太陽能學報. 2020,41(07)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

預測模型流程圖

歷史風功率數(shù)據(jù)

對歷史風功率序列進行互補集合經(jīng)驗模態(tài)分解，以降低風功率的波動性。結(jié)果如圖3所示。由分解結(jié)果可知，互補集合經(jīng)驗模態(tài)分解對歷史風功率序列進行逐層分解后實現(xiàn)各個分量的準確分離，從而有效降低風功率時間序列的非平穩(wěn)特性。由于分量過多，同時會增加預測模型的預測時間和計算量，本文采用模糊熵對各分量做復雜度評估，各分量評估結(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，說明其復雜度也不斷降低。為降低預測時間和計算量，本文將IMF3、IMF4組合成一個新的分量；IMF5、IMF6組成一個新的分量；IMF7、IMF8和res組成一個新的分量。

【參考文獻】：
期刊論文
[1]基于經(jīng)驗模式分解的神經(jīng)網(wǎng)絡組合風速預測研究[J]. 勾海芝,趙征,夏子涵.  電力科學與工程. 2017(10)
[2]基于修正后ARIMA-GARCH模型的超短期風速預測[J]. 丁藤,馮冬涵,林曉凡,陳靖文,陳麗霞.  電網(wǎng)技術. 2017(06)
[3]時間序列模型在風場風速預測中的應用[J]. 張少濟,曾杰,張華,王晶.  水利水電技術. 2016(12)
[4]基于GARCH的短時風速預測方法[J]. 姜言,黃國慶,彭新艷,李永樂.  西南交通大學學報. 2016(04)
[5]基于小波變換和改進螢火蟲算法優(yōu)化LSSVM的短期風速預測[J]. 方必武,劉滌塵,王波,閆秉科,汪勛婷.  電力系統(tǒng)保護與控制. 2016(08)
[6]廣域風能時空互補性及其對電網(wǎng)影響的分析[J]. 劉怡,肖立業(yè).  電工電能新技術. 2015(10)
[7]基于經(jīng)驗模態(tài)分解與多步預測的最小二乘支持向量機的風速預測[J]. 于萌,吳鑫淼,郄志紅.  水電能源科學. 2015(04)
[8]基于卡爾曼濾波的風速序列短期預測方法[J]. 修春波,任曉,李艷晴,劉明鳳.  電工技術學報. 2014(02)
[9]基于混沌分析和神經(jīng)網(wǎng)絡的風速直接多步預測[J]. 米增強,劉興杰,張艷青,楊奇遜.  太陽能學報. 2011(06)
[10]基于人工神經(jīng)網(wǎng)絡模型的風速預測[J]. 黃小華,李德源,呂文閣,成思源.  太陽能學報. 2011(02)



本文編號：3062297