期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于VMD和改进ARIMA模型的超短期风速预测
被引量:
17
1
作者
赵征
汪向硕
乔锦涛
《华北电力大学学报(自然科学版)》
CAS
北大核心
2019年第1期54-59,共6页
针对风速序列非线性、波动性的问题,提出了一种基于变分模态分解和改进差分自回归滑动平均模型的风速预测模型。首先利用变分模态分解(Variational Mode Decomposition,VMD)将信号从低频到高频逐次分解,使每个分量具有不同中心频率的有...
针对风速序列非线性、波动性的问题,提出了一种基于变分模态分解和改进差分自回归滑动平均模型的风速预测模型。首先利用变分模态分解(Variational Mode Decomposition,VMD)将信号从低频到高频逐次分解,使每个分量具有不同中心频率的有限带宽;然后对各分量分别建立ARIMA模型,由于各分量的残差序列可能存在异方差性,因此引入GARCH模型消除异方差特性,建立ARIMA-GARCH模型;最后各分量预测结果叠加得到最终的预测值。实验结果表明,所提出的预测模型在超短期风速预测上具有较高的预测精度。
展开更多
关键词
风速预测
变分模态分解
ARIMA-GARCH模型
残差修正
下载PDF
职称材料
基于二次分解的改进时间序列超短期风速预测研究
被引量:
9
2
作者
赵征
南宏钢
乔锦涛
《华北电力大学学报(自然科学版)》
CAS
北大核心
2020年第4期53-60,共8页
提出了一种基于CEEMDAN(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-VMD(variational mode decomposition,VMD)二次分解的ARIMA(autoregressive integrated moving average model,ARIMA)-GARCH(gene...
提出了一种基于CEEMDAN(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-VMD(variational mode decomposition,VMD)二次分解的ARIMA(autoregressive integrated moving average model,ARIMA)-GARCH(generalized autoregressive conditional heteroskedasticity,GARCH)超短期风速预测方法。首先采用自适应噪声完整集成经验模态分解将原始风速信号分解,产生一系列特征互异的本征模函数(intrinsic mode functions,IMF)。接着计算各本征模函数的样本熵(sample entropy,SE)以量化其复杂性,对复杂性较高的分量采用变分模态分解进行二次分解。然后对各分量分别建立ARIMA模型,引入GARCH模型消除异方差特性。最后将各分量预测结果线性叠加。通过对西北某风电场风速数据进行预测,证明了所提模型的有效性,与CEEMDAN分解和ARMA(autoregressive moving average,ARMA)-GARCH相结合的模型比较,平均绝对误差减少了7.1%。
展开更多
关键词
风速预测
CEEMDAN-VMD
ARIMA-GARCH
残差修正
下载PDF
职称材料
基于集合经验模态分解的神经网络短期风速组合预测研究
被引量:
4
3
作者
赵征
乔锦涛
《电力科学与工程》
2019年第11期31-36,共6页
针对风速的随机性和不稳定性,提出了基于集合经验模态分解的人工神经网络(Artificial Neural Network,ANN)组合预测模型。首先采用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)将信号分解,产生一系列特征互异的本征...
针对风速的随机性和不稳定性,提出了基于集合经验模态分解的人工神经网络(Artificial Neural Network,ANN)组合预测模型。首先采用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)将信号分解,产生一系列特征互异的本征模态函数(Intrinsic Mode Functions,IMF)。之后计算各本征模态函数的样本熵(Sample Entropy,SE),将随机性相似的相邻分量重新组合,提高运算效率。并采用相空间重构(Phase Space Reconstruction,PSR)确定了预测模型输入层节点个数。最后,对于随机性高的分量采用神经网络组合预测模型,其余分量分别建立单一径向基函数神经网络直接预测,将各新模态分量预测结果叠加得到最终预测值,实现风速短期预测。仿真结果表明,文章提出的组合预测模型具有较高的预测精度。
展开更多
关键词
风速预测
集合经验模态分解
样本熵
相空间重构
组合预测模型
下载PDF
职称材料
题名
基于VMD和改进ARIMA模型的超短期风速预测
被引量:
17
1
作者
赵征
汪向硕
乔锦涛
机构
华北电力大学控制与计算机工程学院
出处
《华北电力大学学报(自然科学版)》
CAS
北大核心
2019年第1期54-59,共6页
基金
中央高校基本科研业务费专项资金资助项目(2017MS133)
河北省自然科学基金资助项目(G2016502009)
文摘
针对风速序列非线性、波动性的问题,提出了一种基于变分模态分解和改进差分自回归滑动平均模型的风速预测模型。首先利用变分模态分解(Variational Mode Decomposition,VMD)将信号从低频到高频逐次分解,使每个分量具有不同中心频率的有限带宽;然后对各分量分别建立ARIMA模型,由于各分量的残差序列可能存在异方差性,因此引入GARCH模型消除异方差特性,建立ARIMA-GARCH模型;最后各分量预测结果叠加得到最终的预测值。实验结果表明,所提出的预测模型在超短期风速预测上具有较高的预测精度。
关键词
风速预测
变分模态分解
ARIMA-GARCH模型
残差修正
Keywords
wind speed prediction
variational mode decomposition
ARIMA-GARCH model
residual correction
分类号
TM614 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
基于二次分解的改进时间序列超短期风速预测研究
被引量:
9
2
作者
赵征
南宏钢
乔锦涛
机构
华北电力大学控制与计算机工程学院
出处
《华北电力大学学报(自然科学版)》
CAS
北大核心
2020年第4期53-60,共8页
基金
中央高校基本科研业务费专项资金资助项目(2017MS133).
文摘
提出了一种基于CEEMDAN(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-VMD(variational mode decomposition,VMD)二次分解的ARIMA(autoregressive integrated moving average model,ARIMA)-GARCH(generalized autoregressive conditional heteroskedasticity,GARCH)超短期风速预测方法。首先采用自适应噪声完整集成经验模态分解将原始风速信号分解,产生一系列特征互异的本征模函数(intrinsic mode functions,IMF)。接着计算各本征模函数的样本熵(sample entropy,SE)以量化其复杂性,对复杂性较高的分量采用变分模态分解进行二次分解。然后对各分量分别建立ARIMA模型,引入GARCH模型消除异方差特性。最后将各分量预测结果线性叠加。通过对西北某风电场风速数据进行预测,证明了所提模型的有效性,与CEEMDAN分解和ARMA(autoregressive moving average,ARMA)-GARCH相结合的模型比较,平均绝对误差减少了7.1%。
关键词
风速预测
CEEMDAN-VMD
ARIMA-GARCH
残差修正
Keywords
wind speed prediction
CEEMDAN-VMDH
ARIMA-GARCH
residual correction
分类号
TM614 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
基于集合经验模态分解的神经网络短期风速组合预测研究
被引量:
4
3
作者
赵征
乔锦涛
机构
华北电力大学控制与计算机工程学院
出处
《电力科学与工程》
2019年第11期31-36,共6页
基金
河北省自然科学基金资助项目(G2016502009)
中央高校基本科研业务费专项资金资助项目(2017MS133)
文摘
针对风速的随机性和不稳定性,提出了基于集合经验模态分解的人工神经网络(Artificial Neural Network,ANN)组合预测模型。首先采用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)将信号分解,产生一系列特征互异的本征模态函数(Intrinsic Mode Functions,IMF)。之后计算各本征模态函数的样本熵(Sample Entropy,SE),将随机性相似的相邻分量重新组合,提高运算效率。并采用相空间重构(Phase Space Reconstruction,PSR)确定了预测模型输入层节点个数。最后,对于随机性高的分量采用神经网络组合预测模型,其余分量分别建立单一径向基函数神经网络直接预测,将各新模态分量预测结果叠加得到最终预测值,实现风速短期预测。仿真结果表明,文章提出的组合预测模型具有较高的预测精度。
关键词
风速预测
集合经验模态分解
样本熵
相空间重构
组合预测模型
Keywords
wind speed forecast
ensemble empirical mode decomposition
sample entropy
phase space reconstruction
combination prediction model
分类号
TM614 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于VMD和改进ARIMA模型的超短期风速预测
赵征
汪向硕
乔锦涛
《华北电力大学学报(自然科学版)》
CAS
北大核心
2019
17
下载PDF
职称材料
2
基于二次分解的改进时间序列超短期风速预测研究
赵征
南宏钢
乔锦涛
《华北电力大学学报(自然科学版)》
CAS
北大核心
2020
9
下载PDF
职称材料
3
基于集合经验模态分解的神经网络短期风速组合预测研究
赵征
乔锦涛
《电力科学与工程》
2019
4
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部