[发明专利]一种基于考虑分量关联性小波分解的混合风速预测方法

权利要求书

1.一种基于考虑分量关联性小波分解的混合风速预测方法，其特征在于，包括以下步骤：

步骤1：将测得的原始风速数据样本分为两部分，包括训练集：{x(1)，…，x(n)}；测试集{x(n+1)，…，x(n+N)}；

步骤2：测试集视为未知，建立DWT或EMD模型将训练集分解为若干子序列{c_j(1)，…，c_j(n)}，j＝1…M+1；

步骤3：进行子序列和原始序列的相关性分析，根据子序列和原始数据的相关系数识别虚假子序列：若相关系数超过所选阈值，则剔除相应的子系列，否则应保留相应的子系列；

步骤4：对剩余子序列建立LSSVM或LSSVM-GARCH预测模型，通过子序列中第1至n个数据来预测第n+1个数据：叠加各个子序列预测得的第n+1个数据j＝1…M+1，获得最终预测结果：

步骤5：更新训练集为{x(2)，…，x(n+1)}，将更新后的训集分解为若干新的子序列({c_j(2)，…，c_j(n+1)},j＝1…M+1)；建立LSSVM模型预测第n+2数据，叠加各个子序列的预测得第n+2个数据获得预测值

步骤6：遵循步骤5过程继续进行超前一步预测，直到完成所有预测；

步骤7：评估预测误差。

2.根据权利要求1所述的基于考虑分量关联性小波分解的混合风速预测方法，其特征在于，根据DWT模型将训练集分解为若干子序列的具体方法包括：利用DWT在指定的小波基函数的基础上将信号{x(t)}分解成若干频率带分量：

其中，M是分量层数，c_j(t)(i＝1,2，…,M)表示第j层细节分量，c_M+1(t)表示逼近分量，且随着层数的增加，频率逐渐降低。

3.根据权利要求1所述的基于考虑分量关联性小波分解的混合风速预测方法，其特征在于，根据EMD模型将训练集分解为若干子序列的具体方法包括：通过一个迭代筛选过程可将信号x(t)分解成若干个本征模态方程和一个残量：

其中，M是分量层数，c_j(t)(j＝1,2，…,M)表示第j层的本征模态函数，c_M+1(t)表示残量。

4.根据权利要求1所述的基于考虑分量关联性小波分解的混合风速预测方法，其特征在于，所述步骤3中子序列和原始序列的相关系数表达如下：

其中，x(t),t＝1,2…n为训练数据点；c_j(t)是第j个子序列。

5.根据权利要求1所述的基于考虑分量关联性小波分解的混合风速预测方法，其特征在于，所述超过所选阈值表示相关系数小于最大的相关系数的绝对值的1/10。

6.根据权利要求1所述的基于考虑分量关联性小波分解的混合风速预测方法，其特征在于，所述步骤4中建立预测模型前，采用拉格朗日乘数LM检验误差项的异方差性，即

其中，r²是拟合优度，H₀是零假设，H₁是备择假设；χ²(q)为服从q阶卡方分布；η₁,η₂…η_q为非负系数；式中残差遵循p阶和q阶的GARCH模型，记作GARCH(p,q)，p为ARCH项的阶数，q为GARCH项的阶数；

若LM的统计值大于χ²(q)，则舍去零假设采用备择假设；表示误差成分存在异方差性，应建立LSSVM-GARCH预测模型，否则建立LSSVM预测模型。

7.根据权利要求6所述的基于考虑分量关联性小波分解的混合风速预测方法，其特征在于，所述LSSVM-GARCH预测模型的建立方法包括：

在LSSVM模型中，i时刻真值表达式为：

其中y_i，和ξ_i分别为真值，预测值和i时刻残差；

如果ξ_i随时间而变化，则不能忽略其对预测结果的影响，GARCH模型的结构为：

其中，υ_i是一个均值为0方差为1的白噪声序列，η_l和为非负系数；h_i为i时刻条件方差，为系数，h_i-k为i-k时刻条件方差；ξ_i-l为i-l时刻残差。