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%。