基于CEEMDAN二次分解的风速预测_李颖智.pdf

基金项目:国家自然科学基金资助项目(52067020);自治区重点研发计划(2020B02001)收稿日期:20210526修回日期:20210601第 40 卷第 2 期计算机仿真2023 年 2 月文章编号:10069348(2023)02008905基于 CEEMDAN 二次分解的风速预测李颖智，王维庆，王海云(新疆大学可再生能源发电与并网控制教育部工程技术研究中心，新疆 乌鲁木齐 830047)摘要:随着分散式风机装机量日益增加，对分散式风机风速预测便于合理规划其并网及就地消纳容量。于是提出基于CEEMDAN 二次分解的蝴蝶优化算法改进最小二乘支持向量机的风速预测模型。利用自适应白噪声的完备总体经验模态分解(complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN)对风速历史数据进行处理，获取模态分量(intrinsic mode function，IMF)，计算各 IMF 的排列熵;采用 CEEMDAN 对随机程度高的 IMF 进行第二次分解，改善数据的随机程度;最后，采用蝴蝶优化算法改进最小二乘支持向量机的模型对重构的 IMF 进行预测，将各 IMF 的预测风速相加，求出预测值。通过分析风速预测数据与风速实测数据的误差，验证基于 CEEMDAN 二次分解的蝴蝶优化算法改进最小二乘支持向量机的风速预测模型的有效性。关键词:风速预测;完备总体经验模态分解;二次分解;蝴蝶优化算法;排列熵中图分类号:TM614文献标识码:BWind Speed Prediction Based on the QuadraticSecondDecomposition of CEEMDANLI Yingzhi，WANG Weiqing，WANG Haiyun(Engineering esearch Center of Education Ministry for enewable Energy Power Generation and Grid Control，Xinjiang University，Urumqi Xinjiang 830047，China)ABSTACT:With the increasing installed capacity of decentralized fans，the wind speed forecast of decentralizedfans facilitates reasonable planning of their grid connection and local consumption capacity Therefore，a butterfly op-timization algorithm based on CEEMDAN quadratic decomposition is proposed to improve the wind speed predictionmodel of least squares support vector machine First，use the complete ensemble empirical mode decomposition withadaptive noise(CEEMDAN)was used to process the wind speed history data to obtain the modal component(intrin-sic mode function，IMF)，and calculate the arrangement of each IMF Entropy Secondly，CEEMDAN wais used todecompose the highly random IMF for the second time to improve the randomness of the data Finally，the butterflyoptimization algorithm wais used to improve the least squares support vector machine model to predict the reconstruc-ted IMF，and each IMF Add added the predicted wind speeds to obtain the predicted value By analyzing the errorsbetween the wind speed prediction data and the measured wind speed data，the effectiveness of the butterfly optimiza-tion algorithm based on CEEMDAN quadratic decomposition to improve the wind speed prediction model of the leastsquare support vector machine is was verifiedKEYWODS:Wind speed prediction;Complete ensemble empirical mode decomposition with adaptive noise;Sec-ondary decomposition;Butterfly optimization algorithm;Permutation entropy1引言我国鼓励发展邻近负荷中心的分散式风力发电，对分散式风电机组的风速进行超短期预测，便于电网调度，减轻分散式风机并网对电网造成的不利影响13。为提升风速预测准确度，削弱风速特性带来的影响，文献 4采用经验模态分解(empirical mode decomposition，EMD)与支持向量机(support vector machine，SVM)进行预测，EMDSVM 预测时准确度高、误差低;采用集合经验模态98分解法(ensemble empirical mode decomposition，EEMD)进行数据处理，降低模型混频的概率，增强模型的自适应性56;文献 7 采用自适应白噪声的完备总体经验模态分解(com-plete ensemble empirical mode decomposition with adaptivenoise，CEEMDAN)进行预测，进一步提升了模型的鲁棒性。为削减高频分量对预测的影响，降低预测数据复杂程度，文献 8 将风速预处理后的高频分量 IMF1 舍去，对剩余IMF 分量进行预测。但直接舍去高频分量会导致数据信息缺失，进而影响预测准确度。因此，文献 9对得到的高频IMF 进行第二次分解，提升预测准确度。针对最小二乘支持向量机(least squares support vectormachine，LSSVM)模型预测效果受参数 c，g 影响较大的问题，本文采用均方差作为蝴蝶优化算法(butterfly optimization al-gorithm，BOA)改进 LSSVM 模型的适应度函数，提升 LSSVM模型的预测精度。综上，首先采用 CEEMDAN 将实测风速数据进行两次分解，充分挖掘数据信息，然后使用 BOA 改进 LSSVM，提升风速预测模型精度。最后使用 BOALSSVM 组合模型进行风速预测。通过分析七种预测模型误差，验证基于 CEEMDAN二次分解的 BOALSSVM 风速预测模型具有更好的预测效果。2算法原理模态分解是处理历史数据，获取数据蕴涵信息的一种数据处理方法。采用 EMD 模型进行数据处理时，虽然提升了数据的准确性，却不能忽视其具有混频的弊端4。EEMD 对数据进行处理时，虽可通过增添的白噪声增强模型的自适应性，提升预测准确性，但有概率产生虚假分量56。采用CEEMDAN 对风速数据进行处理时，在分解过程中增添了有限次数的自适应高斯白噪声，改进 EMD 模态混叠的缺陷与EEMD 导致的虚假分量的弊端。与此同时，相较于采用 VMD算法进行第二次分解，CEEMDAN 算法通过添加自适应白噪声，可以避免出现因 VMD 没有预设好合适的分解次数 K，致使分解的 IMF 出现间断情况7。因此，本文采用 CEEMDAN对历史风速数据进行二次分解。CEEMDAN 算法的运行过程如下:1)对信号 S(t)+0ni(t)重复运行 N 次分解运算过程，得到 IMF1:IMF1(t)=1NNi=1IMFt1(t)(1)2)运算出的首个余量信号:r1(t)=S(t)IMF1(t)(2)3)对信号 r1(t)+1E1(ni(t)进行运算，得到 IMF2IMF2(t)=1NNi=1E1(r1(t)+1E1(ni(t)(3)4)计算第 l 个残余信号，l=2，Lrl=rl1 IMFl(t)(4)5)反复运算步骤 3)，得出第 l+1 个 IMFIMFl+1(t)=1NNi=1E1(rl(t)+lEl(ni(t)(5)6)重复运算步骤 4)和 5)，原始信号最终分解为S(t)=(t)+Ll=1IMFl(t)(6)2.1排列熵排列熵(permutation entropy，PE)不仅对数据波动感知敏锐，能够降低不确定性估计，还具有运算简易，不易受噪声干扰的特点。通过 PE 衡量 IMF 的随机程度时，PE 数值越高表明 IMF 越随机混乱1013。根据 PE 的特性可知，若 IMF 的PE 值近似，则表明分解得到的 IMF 内部混杂程度类似。本文采用 PE 量化各 IMF 的随机程度，对比各 IMF 的 PE 数值，将混杂程度相近的 IMF 进行重构，并采用 CEEMDAN 进行第二次分解。排列熵算法运行过程如下:1)对序列 s(n)，n=1，2，N 重构，得到重构矩阵 D:s(1)s(j)s(k)=s(1)s(j)s(k)s(1+)s(1+(m 1)s(j+)s(j+(m 1)s(k+)s(j+(m 1)(7)式中:m嵌入维数;延迟时间2)对各个重构向量进行升序排序s j+(kj1 1)s j+(kj2 1)s j+(kjm 1)(8)若 s j+(kj11)=s j+(kj21)，则比较所在列的 kj1，kj2，若 kj1kj2，则 s j+(kj11)s j+(kj21)3)重构后得到矩阵 S(i)=j1，j2j3，jm，式中 m=1，2，3，N 且 N m!。故有 m!种符号序列。4)序列 s(n)的 PE 为Hp(m)=Nj=1PjlnPj(9)式中:Pj每种序列出现概率。2.2最小二乘支持向量机及其参数优化2.2.1支持向量机算法SVM 是一种适用于历史样本数目较少且泛化能力好的预测算法14。SVM 算法函数模型推导过程具体如下lim，k，212+cni=1(i+Ti)styiT(xi)k +iT(xi)+k yi+Tii，Tii=1，2，n(10)09式中:权重;T 的伴随矩阵;k偏值;c惩罚参数;i，Ti松弛变量;n样本数量;误差上限;yi输出变量;(x)映射函数。把拉格朗日乘子 ai，aTi代入上式后可出函数模型为f(x)=ni=1(ai aTi)K(xi，xj)+k(11)2.2.2最小二乘支持向量机最小二乘支持向量机将 SVM 模型中的不等式约束优化为等式约束，提升了模型的运行效率1516 LSSVM 的约束及优化目标的函数模型为minJ(，)=12T+12Cmi=12isty=T(x)+k+i(12)LSSVM 的 Lagrange 函数L(，b，a)=12T+12Cmi=12imi=1ai T(xi)+b+i yi(13)通过对式(13)中的，b，a，求偏导，消去 和，得到的 LSSVM 预测模型为f(x)=mi=1aiK(x，xi)+b(14)SVM 共有四种不同的核函数，BF 核函数在 SV