[发明专利]一种基于小波分解和分量超前选择的风速预测方法

说明书

技术领域

本发明涉及风速预测方法领域，具体涉及一种基于小波分解和分量超前选择的风速预测方法。

背景技术

风速预测在风能利用、高铁预警等方面都十分重要，不仅能够保证能源的有效利用，而且对保障列车运行安全性、舒适性与稳定性具有重要意义；目前国内外学着对风速预测进行了大量研究，涌现出了各种风速预测方法；主要分为三类：(1)物理方法，主要利用气象数据(如温度、气压等)来进行风速预测，其代表模型为数值天气预测模型(Numerical Weather Prediction，NWP)；然而，该类模型需要大量的数据和计算时间，主要适合长期风速预测；(2)基于时间序列的预测方法，主要包括自回归(Auto-Regressive，AR)模型，移动平均(Moving Average，MA)模型，自回归移动平均(Auto-Regressive Moving Average，ARMA)模型；然而，短时风速序列具有较强的非平稳性和非线性，故该类模型往往很难得到满意的预测结果；(3)基于人工智能的预测算法，该类算法能有效地解释时间序列中的非线性关系，如卡尔曼滤波法(Kalman Filters)、人工神经网络法(Artificial Neural Networks，ANN)、模糊逻辑法(Fuzzy Logic)、支持向量机(Support Vector Machine，SVM)等；相对而言，这类模型具有较好的预测精度，但存在着收敛速度慢，过度拟合等问题；其中，SVW模型通过结构风险最小化原理来提高泛化能力，能较好地解决小样本、非线性、高维数及局部极小点等实际问题；而最小二乘支持向量机(Least Squares SVM，LSSVM)是SVW的一种扩展，其在保证足够精度的同时，也提高了问题的求解速度。

最近基于分解处理的预测方法被广泛使用，该方法首先利用经验模态分解(Empirical Mode Decomposition,，EMD)，集合经验模态分解(Ensemble EMD，EEMD)，小波分解(Wavelet Decomposition，WD)，小波包分解(Wavelet Packet Decomposition，WPD)等分解方法将原始信号分解为不同的子序列，然后根据各个子序列的特征，建立不同的预测模型；如文献仅EMD分解后的中、低频分量建立SVW模型进行预测，预测结果显示该方法具有较好的预测精度；刘辉等运用EMD、EEMD、WD、WPD分解方法和ELMS(Extreme Learning Machines)的组合预测方法对风速进行预测；预测结果表明基于分解处理的预测模型明显好于单模型；然而，在大多数的研究中，分解仅仅进行一次，即将所有的原始数据分解为一系列的子序列，然后将每个子序列分为预测集和测试集；该方法虽然具有较好的预测精度，但是在分解时利用了未来数据，因此具有不合理性；则提出了一种基于实时EMD分解的预测方法，结果显示该方法虽然合理，但是预测精度较低，有时甚至低于单模型的预测结果。

发明内容

本发明提供一种具有较高预测精度的结合了基于小波分解、分量超前选择和最小二乘支持向量机实时分解的风速预测方法。

本发明采用的技术方案是：一种基于小波分解和分量超前选择的风速预测方法，包括以下步骤：

(1)将原始风速序列{v₁,v₂,...,v_m+n}划分为初始训练集{v₁,v₂,...,v_n}和预测集{v_n+1,v_n+2,...,v_m+n}；

(2)通过小波分解方法对训练集中数据进行分解，得到逼近分量A_k和k个细节分量D₁,D₂,…,D_k；

(3)对步骤(2)中的逼近分量和k个细节分量分别建立最小二乘支持向量机模型并进行超前一步预测；将各个分量预测值按下述方式进行组合，即得到下一时刻的k+1个叠加预测值；式中：为细节分量D_j的超前一步预测值，为逼近分量A_k的超前一步预测值；

(4)从步骤(3)叠加预测值中选择最接近预测集中v_n+1的叠加方式r₂作为理想叠加方式；