考虑游程检测法重构的EMD-Elman风电功率短时组合预测

考虑到直接对经验模式分解(EMD)所得多个分量分别建模预测会引入多重随机误差和产生较大预测工作量,提出一种基于游程检测法重构原则的EMD-Elman神经网络组合的风电短时功率预测算法,运用游程检测法对风电出力时间序列EMD得到系列本征模态函数IMF和趋势项Res进行波动性程度检测,将波动程度相似、变化规律相近的分量依照fine to coarse顺序重构成高频分量、低频分量和趋势项。然后针对性地对3个分量分别建立较准确的Elman神经网络短时多步预测模型,可减少预测分量建模数,提高预测精度和预测速度,最后将三分量预测结果自适应叠加。还分别给出两种预测模型的算例,对比分析发现EMD-Elman组合预测模型的精度优于Elman神经网络单一预测模型。

基于游程检测法重构集合经验模态的养殖水质溶解氧预测

为了提高水产养殖中溶解氧的预测精度,该文提出了基于集合经验模态(ensemble empirical mode decomposition,EEMD)分解、游程检测法重构、适宜的单项预测算法建模和BP神经网络非线性叠加的组合预测模型。该模型首先将溶解氧原始序列用EEMD分解法进行分解,得到了多个分量;其次,用游程检测法将这些分量重构成高频分量、中频分量和低频分量等3个分量;接着,针对高频分量波动性大且复杂、中频分量呈现周期性、低频分量几乎呈线性的特点,采用粒子群(particle swarm optimization,PSO)优化的最小二乘支持向量机(least square support vector machine,LSSVM)对高频项进行预测,采用极限学习机(extreme learning machine,ELM)对中频项预测,采用非线性回归(nonlinear regression method,NRM)对低频项预测;最后,将3个分量预测的结果用BP神经网络进行重构得到最终的预测结果。将该模型应用于江苏省溧阳市埭头黄家荡特种水产养殖场的溶解氧预测中,试验表明,该种以游程检测法重构EEMD为基础的混合预测模型的预测精度高于PSO-LSSVM和单一的ELM预测模型。在预测未来48 h的溶解氧值时,该模型的预测值与实测值的均方根误差RMSE为0.099 2、平均相对误差均值MAPE为0.078、平均绝对误差MAE为0.015 5,R^2为0.995 5。表明该模型有较好的预测精度和泛化能力,能够满足现代化水产养殖业对溶解氧精细化管理的高要求。

基于游程检测法重构CEEMD的短时风功率预测

针对风功率序列间歇波动特征,提出基于补充的集合经验模态分解(CEEMD)的分类组合预测方法。采用CEEMD把风功率信号分解为频域稳定的子序列,利用游程检测法对子序列划分为高、低频和余项3类信号,根据3类重构信号的不同特征,分别选用BP神经网络预测高频信号、支持向量机(SVM)预测低频信号以及非线性回归预测余项,最后叠加3类信号的多步滚动预测值,得到风功率预测结果。为了提高BP神经网络以及SVM的预测效果,提出基于混沌反向学习策略以及自适应变化概率的改进布谷鸟算法(ICS),利用ICS优化BP神经网络与SVM的结构参数。以西北部某风电场为实例研究,结果表明该方法能有效提高预测精度。

基于集合经验模态分解和奇异谱分析的曲线光顺算法

针对曲线光顺问题,提出了集合经验模态分解、游程检测法重构以及奇异谱分析降噪三者相结合的一种曲线光顺算法。算法首先将空间离散数字曲线上的x,y,z三个变量视为3个一维数字信号;然后对每个变量的数字信号序列分别进行集合经验模态分解;进而分别对每个变量分解后的所有分量使用游程检测法,将其重构为高频、低频分量;随后通过使用奇异谱分析对重构后的高频分量进行降噪;最终将降噪后的高频分量与低频分量重构,得到光顺后的曲线。通过试验表明,所提算法的光顺效果优于EMD法和曲率法,所提算法、EMD法和曲率法的平均曲率分别为0.0893,0.0919,0.1112。