基于CEEMD和改进时间序列模型的超短期风功率多步预测

根据风功率非平稳特性,提出一种基于互补集合经验模态分解和时间序列分析方法中的差分自回归滑动平均模型的新型风功率组合多步预测模型。首先对风功率序列进行互补集合经验模态分解,以降低风功率序列的非平稳特性;之后采用模糊熵理论对各分量进行复杂度评估,对复杂度相近的相邻分量重新组合,从而有效降低预测时间和计算量;然后对新组合的各分量建立差分自回归滑动平均(ARIMA)模型,再对各分量进行残差序列检验,对存在异方差特性的分量建立ARIMA-GARCH模型;最后叠加各分量预测结果得到最终的风功率多步预测值。实验结果表明,所提的组合预测模型具有较高的预测精度。

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。

基于改进时间序列模型的球团厂主引风风量预测

为了对球团厂焙烧工艺主引风系统的主引风风量进行预测,采用互补集合经验模态分解法对主引风风量序列进行了分解,然后采用模糊熵理论对各分量进行复杂度评估,将复杂度相近的相邻分量重新组合,从而有效降低预测时间并减少计算量,新组成的各个子序列分别建立ARIMA-GARCH模型;最后线性叠加各分量预测结果最终得到了主引风风量预测值。仿真结果表明,该方法具有较高的预测精度。

基于改进时间序列模型的烧结机机头温度预测

针对烧结机机头温度异常变化会严重影响烧结矿质量的问题,本文采用一种基于WD-ARIMAX-GARCH的超短期温度预测模型。由于温度时间序列经常受外部因素的影响,而时间序列模型(ARIMA)只是对历史时间序列的回归,无法体现外部因素的影响,因此该模型加入了外生变量(ARIMAX),并通过引入小波分解(WD),将温度时间序列分解为若干子序列,将各分量进行残差序列检验,对存在异方差特性的分量建立ARIMA-GARCH模型,将该预测结果作为外生变量与分解后的数据重新组合预测。结果表明,基于WD-ARIMAX-GARCH模型的温度预测方法具有较高的精度。