基于EEMD的短期风速预测研究

论文摘要

风能是一种优秀的能源,短期风速预测有利于风电场稳定、安全和高效地获取风能。风电场是获取风力资源的重要场所,其运行过程中容易受到短期风速波动的影响,进而影响其稳定性和转换效率。集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）是一种自适应分解算法,该方法降低了分量间的相互干扰,其组合常被用于对风速的预测中。全文以EEMD为核心,完成了风速预测的研究工作,论文的主要内容如下:首先,研究了国内外风速预测和经验模态分解的研究现状,整理了时间序列的基础理论及两种分析方法:传统时间序列法和神经网络法,详细介绍了自回归平均滑动平均模型（ARMA）和BP神经网络在短期风速模型的具体建模方法和步骤,阐述了EEMD分解算法基本原理及对应的基于EEMD的短期风速预测的基本思路。其次,针对传统EEMD-ARMA模型预测精度不高的问题,提出了EEMD-KF-ARMA模型。该模型通过ARMA模型获取了系统状态方程和观测方程,使用卡尔曼滤波（KF）算法对EEMD分解的每个子风速序列ARMA模型输出结果进行校正,相对于传统的ARMA模型,MSE降低了55.51%。MAPE减少了38.89%。第三,为了充分利用长短时记忆网络（LSTM）对时间序列的处理优势,提出了一种LSTM与EEMD相结合的模型EEMD-LSTM。该模型首先通过EEMD分解将风速序列分解为若干个风速子序列,然后对子序列分别应用LSTM方法获得子预测结果,最后通过线性叠加子预测的方式得到最终的预测结果。实验表明,相对于传统的EEMD-ARMA组合模型,MSE减少了68.18%,MAPE降低了53.13%,是一种有效的EEMD预测组合。最后,为了进一步地提升预测水平,使用了重要分量简单平均改进方法改善了原有的EEMD-LSTM模型。首先定义EEMD子预测模型的重要分量概念,分量值越大说明其改进空间越大,对重要值较大的分量应用了简单平均法进行改进,改进的EEMD-LSTM模型优于原EEMD-LSTM模型,通过实验,改进后的EEMD-LSTM的比原EEMD-LSTM的均方误差降低了23.41%,而MAPE降低了25.36%,说明了重要分量简单平均方法的有效性。综上所述,本文提出的改进EEMD-LSTM模型是一种精度较高的模型,对于短期风速预测水平的提高具有积极意义。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
•   1.1 课题研究的背景和意义
•   1.2 国内外相关技术研究现状
•     1.2.1 风速预测研究现状
•     1.2.2 经验模态分解研究现状
•   1.3 本文研究的主要内容
•   1.4 本文的组织结构
• 第二章 相关技术介绍
•   2.1 时间序列概述
•   2.2 经典时间序列分析方法
•     2.2.1 经典时间序列理论
•     2.2.2 经典时间序列模型
•     2.2.3 ARMA建模方法
•   2.3 人工神经网络分析方法
•     2.3.1 人工神经网络理论
•     2.3.2 BP神经网络模型
•     2.3.3 BP神经网络建模步骤
•   2.4 经验模态分解理论
•     2.4.1 经验模态分解的优点
•     2.4.2 经验模态分解原理（EMD）
•     2.4.3 集成经验模态分解（EEMD）
•   2.5 基于EEMD的风速预测方法
•   2.6 本章小结
• 第三章 EEMD-KF-ARMA模型在风速预测上的应用
•   3.1 问题描述
•   3.2 状态空间模型
•     3.2.1 状态空间的基本概念
•     3.2.2 状态空间动态方程
•   3.3 卡尔曼滤波基本思想
•     3.3.1 基础卡尔曼基本原理
•     3.3.2 扩展卡尔曼基本原理
•   3.4 ARMA模型与状态空间转换关系
•     3.4.1 状态空间到ARMA之间转换
•     3.4.2 ARMA模型到状态空间的转换
•   3.5 实例分析
•     3.5.1 短期风速预测的ARMA模型
•     3.5.2 短期风速预测的KF-ARMA模型
•     3.5.3 短期风速预测的EEMD-KF-ARMA模型
•   3.6 本章小结
• 第四章 EEMD-LSTM在风速预测上的应用
•   4.1 问题描述
•   4.2 LSTM模型概述
•   4.3 基于EEMD的改进LSTM
•   4.4 实例分析
•     4.4.1 短期风速预测的BP模型
•     4.4.2 短期风速预测的LSTM模型
•     4.4.3 短期风速预测的EEMD-LSTM模型
•   4.5 本章小结
• 第五章 EEMD-LSTM优化模型在风速预测上的应用
•   5.1 问题描述
•   5.2 重要分量定义
•   5.3 分量简单平均法
•     5.3.1 简单平均法概述
•     5.3.2 重要分量简单平均法
•   5.4 实例分析
•     5.4.1 EEMD-BP上的改进效果分析
•     5.4.2 EEMD-LSTM上的改进效果分析
•   5.5 本章小结
• 总结与展望
• 参考文献
• 攻读硕士期间发表的论文和专利
• 致谢

文章来源

类型: 硕士论文

作者: 李俊武

导师: 肖明,刘奕华

关键词: 短期风速预测,重要分量

来源: 广东工业大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑

专业: 气象学,电力工业

单位: 广东工业大学

分类号: TM614;P425.63

DOI: 10.27029/d.cnki.ggdgu.2019.000734

总页数: 74

文件大小: 4708K

下载量: 88