基于VMD-SE-CEEMDAN-PSO-SVR短期风速预测

作     者：王永月 马建清 程念胜 Yongyue Wang;Jianqing Ma;Niansheng Cheng

作者机构：武汉科技大学理学院湖北武汉 冶金工业过程系统科学湖北省重点实验室湖北武汉 航天信息股份有限公司北京 

出 版 物：《运筹与模糊学》 (Operations Research and Fuzziology)

年 卷 期：2024年第14卷第2期

页      面：360-372页

学科分类：07[理学] 0701[理学-数学] 070101[理学-基础数学] 

基　　金：大学生创新创业项目22Z071 国家自然科学基金项目资助(51877161) 

主　　题：变分模态分解 自适应噪声完备集合经验模态分解 样本熵 支持向量机 粒子群优化算法 

摘      要：风能具有随机性和间歇性,准确可靠的风速预测对于风电场规划和电网运营规划至关重要｡本文提出VMD(variational mode decomposition,VMD)-SE(sample entropy,SE)-CEEMDAN(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-PSO(particle swarm optimization,PSO)-SVR(support vector regression,SVR)的组合分解短期风速预测｡首先是对VMD分解的子序列(intrinsic mode function,IMF)用样本熵(SE)判别方法对复杂度较高的子序列用自适应噪声的完备经验模态分解(CEEMDAN)进行二次分解,然后将两者分解后得到的序列用支持向量机(SVR)进行预测｡此外,为了找到更优的SVR参数,文中引入粒子群优化算法进行改进,并基于粒子群算法对SVR参数寻优,进而对某风电场进行短期风速预测,实验结果证明,VMD-SE-CEEMDAN-PSO-SVR模型的预测精度相对于其他模型更高。