论文部分内容阅读
随着全球环境的日益恶化和不可再生能源的迅速减少,人们迫切需要发现可以代替不可再生能源的清洁能源。风能作为一种可再生的清洁能源,已经受到越来越多国家的重视。目前,风能主要的应用还是在风力发电方面,风能源于风速。然而,风速本身具有随机性、不稳定性和非线性的特点,为了保证电力系统的安全和经济效益,就必须要了解未来短期的风速情况来提前做出应对措施。风速序列是一种时间序列。于是对风速的预测就是对时间序列的预测。目前已经提出的风速预测模型有很多,但都存在下列的问题:一般都只对原始风速进行预处理而没有对预测风速进行误差缩减处理;采用的预测算法不能很好的解决风速的随机性、不稳定性和非线性的特点,导致最后的风速预测结果误差较大;采用的预处理算法不能很好的保留原始风速序列的特征,有的预测模型则干脆不对原始风速序列做任何预处理,只是对预测算法中的参数进行优化处理;为了提高风速预测的精度,针对上述问题,本文主要提出了两种混合风速预测方法:第一种是基于完备总体经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)和极限学习机(Extreme Learning Machines,ELM)的混合预测方法。首先,通过CEEMD算法对非稳定的原始风速序列进行预处理,把原始风速序列分解成n(n>1)个稳定的固有模态分量(Intrinsic Mode Function,IMF),然后,利用ELM算法对n个固有模态分量分别进行训练得到n个子预测序列结果,最后,把这n个子预测序列进行重构得到最后的风速预测结果;第二种是基于CEEMD算法、小波变换(Wavelet Transform,WT)和卷积神经网络(ConvolutionalNeuralNetworks,CNN)的混合预测方法。首先,CEEMD算法把原始风速序列分解成n(n>1)个IMF,然后,WT算法分别对n个IMF进行二次去噪,进一步消除噪声对IMF的影响,接着,CNN算法对每个二次去噪后的IMF、残差序列和影响风速的5个属性训练预测得到n个子序列预测结果,最后,把这n个子预测序列进行重构得到最后的风速预测结果;对上述提出的两种方法都利用随机模糊不确定理论来对它们重构后的预测风速进行二次预测处理。本文分别从原始风速序列预处理、训练预测算法以及最后的预测结果处理三个方面提出上述两个风速预测模型。通过与其它的风速预测模型进行比较,证明了本文提出的模型能大大减少风速预测的误差。