基于VMD和改进ARIMA模型的超短期风速预测

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。

基于二次分解的改进时间序列超短期风速预测研究

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%。

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

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。