基于CEEMD和改进SSA-LSSVM的预测方法

摘要

本发明属于风功率预测技术，具体涉及基于CEEMD和改进SSA‑LSSVM的预测方法，对历史风功率数据进行预处理；对数据进行CEEMD分解，得到的结果分别作为改进SSA‑LSSVM预测模型的输入；获得最优的SSA‑LSSVM预测模型并得到预测结果；采用改进SSA‑LSSVM预测模型进行训练建模，得到基于CEEMD和改进SSA‑LSSVM的超短期风功率预测模型；利用训练生成的风功率预测模型对各内涵模态分量IMF进行预测，得到各分量预测结果，并将每个分量预测的结果求和，得到预测时间内的风功率预测结果。该方法抑制了预测模型的自相关性，改进麻雀算法容易陷入局部最优的难题，大大提高了风功率预测精度。

说明书

技术领域

本发明属于风功率预测技术领域，特别涉及基于CEEMD和改进SSA-LSSVM的预测方法。

背景技术

风能作为一种清洁高效的绿色新能源，近年来越来越受到社会各界的关注，因为风能具有极大的随机性和波动性，当电力系统有大规模风电并网时，这些特性会对电网的稳定运行造成很大的考验。所以对短期内风电功率的预测成为了风电行业内热点问题，这对于国家清洁能源发展具有重要意义。

由于风能发电的间歇性，不稳定性，并网后对于电网的冲击很大，对风功率的预测可以帮助电力有关部门对风功率的变化做出相应的调整，可减小风电并网对电力系统的运行带来的不利影响，因此对风功率的预测是很重要和有意义的。

目前对风功率预测的方法有很多，其中利用神经网络对风功率进行预测成为当前一大热点。但是，传统的神经网络对长期依赖信息的学习能力不足，会出现梯度消失等问题，并且风电功率数据是随机性的，波动性的，直接对风电功率数据进行预测是不准确的。加上考虑实际气象因素的影响，利用神经网络对风功率进行预测与实际值相比会出现一些偏差。

基于完备总体经验模态分解(Complementary Ensemble Empirical ModeDecomposition，CEEMD)改进麻雀算法(Sparrow Search Algorithm,SSA)优化最小二乘支持向量机(Least Squares Support Vector Machine，LSSVM)的预测方法，在一定程度上提高了预测精度和收敛速度，通过引入混沌序列和交换学习策略的麻雀算法对核函数参数和惩戒参数进行寻优，优化了传统麻雀搜索算法在迭代后期种群的多样性减少，容易陷入局部最优等难题。LSSVM预测模型时间序列存在自相关性，模型倾向把上一时刻的真实值当作下一时刻的预测值进行输出，将会导致曲线存在滞后性，即真实值曲线滞后于预测值曲线。

发明内容

针对背景技术存在的问题，本发明提供一种采用CEEMD将原始时间序列进行分解，然后对每一个分量分别进行建模和预测，最后将各分量结果相加得到最终结果的方法。

为解决上述技术问题，本发明采用如下技术方案：基于CEEMD和改进SSA-LSSVM的预测方法，包括以下步骤：

步骤1、获取历史风功率数据和时间特征因素，并对数据进行预处理；

步骤2、对经过预处理的历史风功率数据进行改进的完备总体经验模态分解CEEMD，得到多个内涵模态分量IMF和残余信号，并分别作为改进SSA-LSSVM预测模型的输入；

步骤3、将CEEMD-SSA-LSSVM的预测结果分为训练集预测结果和测试集训练结果，将训练集预测结果输入到改进SSA参数寻优中获得最优的核函数参数和惩戒参数，再将最优值输入改进SSA-LSSVM预测模型中得到一个最优的SSA-LSSVM预测模型，最终将测试集训练结果代入得到预测结果；

步骤4、采用改进SSA-LSSVM预测模型分别对多个内涵模态分量IMF和残余信号进行训练建模，得到多个针对内涵模态分量和残余信号的子模型，即基于CEEMD和改进SSA-LSSVM的超短期风功率预测模型；

步骤5、利用训练生成的风功率预测模型对在预测时间内风功率的各内涵模态分量IMF进行预测，得到各分量预测结果，并将每个分量预测的结果求和，得到预测时间内的风功率预测结果。

在上述基于CEEMD和改进SSA-LSSVM的预测方法中，步骤1所述对数据进行预处理是对历史时刻的风功率数据进行归一化处理；将数据转化为[0,1]之间的数值；风功率数据归一化表达式为：

v

在上述基于CEEMD和改进SSA-LSSVM的预测方法中，步骤2的实现包括对经过预处理的历史风功率数据进行CEEMD分解，其分解步骤为：

步骤2.1、将多组均值为0，绝对值相等的白噪声信号n

步骤2.2、将所有添加噪声后的信号

步骤2.3、集合平均上述所有的内涵模态分量序列，得到原始信号x(t)的所有集合平均分量；

步骤2.4、计算所有平均分量排列熵值，并依次判断排列熵值是否大于阈值0.6，如果排列熵值大于阈值，则对应的平均分量为异常分量；检测下一个分量的排列熵值，直到出现某个平均分量不是异常分量，此时这一个平均分量前所有的分量从原始信号x(t)中分离出来；

步骤2.5、最后对残余信号分量进行CEEMD分解，将得到的IMF分量按照从高频到低频的顺序排列。

在上述基于CEEMD和改进SSA-LSSVM的预测方法中，步骤3的实现包括利用步骤1采用CEEMD分解得到的多个IMF分量，采用基于改进麻雀算法优化的LSSVM模型对每个IMF分量进行预测，并将每个分量预测的结果求和，得到预测时间内的风功率预测结果，麻雀算法优化LSSVM模型的具体步骤为：

步骤3.1、选取一组IMF分量数据，并将序列的前80％作为训练集，后20％用作测试集；

步骤3.2、创建LSSVM回归网络，指定LSSVM层的隐含单元个数为288；

步骤3.3、初始化麻雀算法的学习率、维度、迭代次数、种群数，并确定迭代次数；

步骤3.4、训练LSSVM,得到合适的LSSVM模型，IMF分量数据当作输入，输出当作预测结果；

步骤3.5、将上述得到的预测结果与实际值的均方差作为适应度，计算所有种群对应的适应度，将其中最小适应度作为本次最优适应度，并和全局最优适应度进行比较,如果全局最优适应度较小，则将全局最优适应度作为本次最优适应度，反之，则不用替换；

步骤3.6、迭代过程开启，利用麻雀算法更新下一个新的种群的学习率；

步骤3.7、重复步骤3.5-步骤3.6，直到迭代次数为最大值；

步骤3.8、输出最优结果对应的学习率。

与现有技术相比，本发明的有益效果：本发明采用CEEMD分解算法对原始时间序列进行分解，然后对每一个分量分别进行建模和预测，最后将各分量结果相加得到最终结果，通过这种分解方式可以抑制预测模型的自相关性，大大提高了预测精度。改进麻雀算法针对传统麻雀搜索算法在迭代后期种群的多样性减少，容易陷入局部最优等难题，提出了一种引入混沌序列和交换学习策略的改进麻雀算法。通过引入混沌序列，提高了初始解的质量，使初始麻雀的位置分布更加均匀，增加了种群多样性，通过交换学习策略增强了全局搜索能力。在用LSSVM对风功率预测时，采用改进SSA算法对该网络的参数学进行优化，能够增加LSSVM模型的收敛速度，可提高风功率预测的精准度。

附图说明

图1为本发明一个实施例风功率联合预测模型流程图；

图2为本发明一个实施例风电场功率时序图；

图3为本发明一个实施例风速数据CEEMD分解图图；

图4为本发明一个实施例预测值与实际值对比图；

图5为本发明一个实施例基于CEEMD预测值与实际值对比图；

图6为本发明一个实施例不同模型的预测效果对比图。

具体实施方式

下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合具体实施例对本发明作进一步说明，但不作为本发明的限定。

最小二乘支持向量机因为其具有良好的回归预测性、易实现从而被广泛应用，但是该法的核函数参数σ和惩戒参数γ主要依靠人为经验选取，预测精度不能满足实际的需求。本实施提出了一种基于完备总体经验模态分解CEEMD改进麻雀算法优化最小二乘支持向量机(SSA-LSSVM)的预测方法，在一定程度上提高了预测精度和收敛速度，通过引入混沌序列和交换学习策略的麻雀算法对核函数参数和惩戒参数进行寻优，优化了传统麻雀搜索算法在迭代后期种群的多样性减少，容易陷入局部最优等难题。LSSVM预测模型时间序列存在自相关性，模型将上一时刻的真实值当作下一时刻的预测值进行输出，将会导致曲线存在滞后性，即真实值曲线滞后于预测值曲线，因此本实施例采用CEEMD将原始时间序列进行分解，然后对每一个分量分别进行建模和预测，最后将各分量结果相加得到最终结果，通过这种分解方式可以抑制预测模型的自相关性，大大提高了预测精度。

综上所述，本实施例提出了基于CEEMD和改进SSA-LSSVM的超短期风功率预测模型。并通过某实测风电场的数据进行仿真验证，证明了上述改进算法在某种情况下具有更加准确可靠的预测性能。

基于CEEMD和改进SSA-LSSVM的预测方法，如图1所示，具体步骤为：

1)获取历史时刻的风功率数据和时间特征因素，并对数据进行预处理；

2)对经过预处理的历史风功率数据进行改进的完备总体经验模态分解，分解得到多个内涵模态分量(Intrinsic Mode Functions,IMF)和残余信号，并分别作为改进SSA-LSSVM预测模型的输入；

3)将CEEMD-SSA-LSSVM的预测结果分为训练集预测结果和测试集训练结果两个部分，将训练集的预测结果输入到改进SSA参数寻优中获得最优的核函数参数和惩戒参数并将最优值输入模型中得到一个最优的SSA-LSSVM预测模型，最终将测试集代入得到预测结果。

4)采用改进SSA-LSSVM预测模型分别对多个内涵模态分量和残余信号进行训练建模，得到多个针对内涵模态分量和残余信号的子模型，即基于CEEMD和改进SSA-LSSVM的超短期风功率预测模型；

5)利用训练生成的风功率预测模型对在预测时间内风功率的各内涵模态分量(Intrinsic Mode Functions,IMF)进行预测，得到各分量预测结果，并将每个分量预测的结果求和，得到预测时间内的风功率预测结果。

并且，数据预处理过程为对历史时刻的风功率数据进行归一化处理。对预处理后的历史风功率数据进行CEEMD法分解，采用CEEMD将原始时间序列进行分解，然后对每一个分量分别进行建模和预测，最后将各分量结果相加得到最终结果，通过这种分解方式可以抑制预测模型的自相关性，大大提高了预测精度。

本实施例提出了一种基于完备总体经验模态分解的改进麻雀算法优化最小二乘支持向量机(SSA-LSSVM)的预测方法对参数进行优化，在一定程度上提高了预测精度和收敛速度。

麻雀搜索算法(Sparrow Search Algorithm,SSA)是根据麻雀觅食并逃避捕食者的行为而提出的群智能优化算法。在麻雀觅食的过程中，分为发现者和追随者，发现者在种群中负责寻找食物并为整个麻雀种群提供觅食区域和方向，而追随者则是利用发现者来获取食物。为了获得食物，麻雀通常可以采用发现者和追随者这两种行为策略进行觅食。种群中的个体会监视群体中其他个体的行为，并且该种群中的攻击者会与高摄取量的同伴争夺食物资源，以提高自己的捕食率。此外，当麻雀种群意识到危险时会做出反捕食行为。其优点在于操作简单，参数少。所述改进麻雀算法针对传统麻雀搜索算法在迭代后期种群的多样性减少，容易陷入局部最优等难题，提出了一种引入混沌序列和交换学习策略的改进麻雀算法。通过引入混沌序列，提高了初始解的质量，使初始麻雀的位置分布更加均匀，增加了种群多样性，通过交换学习策略增强了全局搜索能力。

混沌映射表达式如下：

式中，NT是混沌序列中的粒子个数，rand(0,1)是[0,1]之间的随机数，z

1)随机产生(0,1)内的初值z

2)利用上述式子进行迭代，产生Z序列，同时i自增1。

3)如果迭代的次数满足最大次数，则程序停止运行，同时保存产生的Z序列，并将之作为麻雀算法的初始种群。

交换学习策略操作类似于遗传算法中的交叉操作，具体是在不同种群的相同维度中进行相互交叉运算，可以提高数据交互性。针对麻雀搜索算法的全局搜索能力不强问题，本文采用交换学习策略对警戒者的位置进行更新。第一步将父代个体进行随机的配对，在第d维进行交换学习操作，公式如下：

式中，

以下是采取中国西北部某风电场实际数据进行预测，其中风机的负荷时序图如图2所示。本实施例每隔10min采样一次，从中选取2173组数据，其中1522组数据作为该模型的训练集，剩下的部分作为测试集。其中风功率NWP数据是输入，输出是风功率，同时将预处理之后的数据进行分解之后的负荷时序图如图3所示。

(1)对原始风功率数据进行预处理，即对原始风功率数据进行归一化处理，将数据转化为[0,1]之间的数值。风功率数据归一化表达式为：

v

(2)对预处理过的风功率数据进行CEEMD分解，得到多个IMF分量，分解步骤为：

S1：将多组均值为0，绝对值相等的白噪声信号n

S2:将所有添加噪声后的信号

S3：集合平均上述所有的内涵模态分量序列，可以得到原始信号x(t)的所有集合平均分量；

S4：计算所有平均分量排列熵值，并依次判断排列熵值是否大于阈值(一般取0.6)，如果排列熵值大于阈值，则对应的平均分量为异常分量，并且接着检测下一个分量的排列熵值，直到出现某个平均分量不是异常分量，此时这一个平均分量前所有的分量从原始信号x(t)中分离出来；

S5：最后对残余信号分量进行CEEMD法分解，将得到的IMF分量按照从高频到低频的顺序排列。

(3)利用上述CEEMD法分解得到的多个IMF分量，采用基于改进麻雀算法优化的LSSVM模型对每个IMF分量进行预测，并将每个分量预测的结果求和，得到预测时间内的风功率预测结果，麻雀算法优化LSSVM模型的具体步骤为：

S6:选取一组IMF分量数据，并将序列的前80％作为训练集，后20％用作测试集。

S7:创建LSSVM回归网络，指定LSSVM层的隐含单元个数为288。

S8:初始化麻雀算法的学习率、维度、迭代次数、种群数，并确定迭代次数。

S9:训练LSSVM，得到合适的LSSVM模型，IMF分量数据当作输入，输出当作预测结果。

S10:将上述得到的预测结果与实际值的均方差作为适应度，计算所有种群对应的适应度，将其中最小适应度作为本次最优适应度，并和全局最优适应度进行比较,如果全局最优适应度较小，则将全局最优适应度作为本次最优适应度，反之，则不用替换。

S11:迭代过程开启，利用麻雀算法更新下一个新的种群的学习率。

S12:重复S10-S11，直到迭代次数为最大值。

S13:输出最优结果对应的学习率。

为了验证本实施例中所提到的CEEMD分解方法可以改善预测算法的自相关性，有效减少预测曲线的滞后性，本实施例将单一预测模型LSSVM，单一预测模型支持向量机(Support Vector Machines,SVM)，SSA-LSSVM联合预测模型，CEEMD-LSSVM，CEEMD-SVM，CEEMD-SSA-LSSVM预测模型的645组预测结果进行对比分析，并且将它们的部分数据进行局部放大处理，以便更加直观的观察出不同预测模型的预测效果。仿真实验均在Matlab2020b实验平台进行，其预测结果如图4、图5所示。

i.由图4可知SSA-LSSVM预测模型的平均绝对百分比误差(MAPE)值是10.0894％，优于单一的LSSVM和SVM预测模型的11.5454％与11.6632％，分别提升了10.6732％和13.4937％，同时其平均预测准确度提高了5.7496％与6.9583％，证明了联合预测模型相较于单一预测模型有更好的预测精度，同时也大大缩短了运行的时间。

ii.图5中的LSSVM与CEEMD-LSSVM模型的预测曲线与实际值滞后性降低，证明CEEMD分解可以极大改善预测数据的自相关性，表现在可以将部分预测曲线的滞后性大大降低，使预测值更加贴近实际值，提高了预测模型的应用价值，实验结果表明上述方法可以将LSSVM单一预测模型的自相关性减少13.6％。证明了CEEMD分解对SSA-LSSVM联合预测模型比单一预测模型改善效果更好。

为了验证本实施例中所提到的改进SSA优化方法可以对LSSVM预测模型的核函数参数和惩戒参数进行寻优，优化了传统麻雀搜索算法在迭代后期种群的多样性减少，容易陷入局部最优等难题。将改进SSA-SVM，原始SSA-SVM预测模型，改进SSA-LSSVM预测模型，原始SSA-LSSVM和鲸鱼优化算法(Whale Optimization Algorithm,WOA)优化的LSSVM模型五种模型的预测结果进行对比分析，并且将它们的局部放大图显示，以便更加方便直观的观察出实际区别。仿真实验均在Matlab2020b实验平台进行，其预测结果与局部放大图如下图6所示。

改进SSA提升了LSSVM预测模型的精度。本实施例提出的引入混沌序列和交换学习策略的改进麻雀算法在特定程度上具有优越性，通过引入混沌序列，提高了初始解的质量，使初始麻雀的位置分布更加均匀，增加了种群多样性；通过交换学习策略增强了算法的全局搜索能力。测试结果表明，上述方法比SSA-LSSVM预测模型的预测精度提高了26.73％，即改进后的SSA对LSSVM预测模型的核函数参数和惩戒参数具有更高的寻优精度，使预测值更加贴近实际值，提高了预测模型的应用价值。

以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。