登录    |    注册

您好,欢迎来到中国测试科技资讯平台!

首页> 《中国测试》期刊 >本期导读>LMD和ARMA组合风速预测方法

LMD和ARMA组合风速预测方法

237    2020-08-19

¥0.50

全文售价

作者:岳勇, 陈雯婷, 聂伟

作者单位:新疆农业大学机电工程学院,新疆 乌鲁木齐 830052


关键词:风速预测;局域均值分解;时间序列;组合预测


摘要:

为解决风速间歇性、波动性等缺点对风力发电稳定性的影响,该文提出局域均值分解与时间序列相结合的方法,建立模型对风速进行预测。首先局域均值分解将风速数据分解为若干个瞬时频率乘积函数分量,再将各分量分别建立时间序列模型,得到各分量的预测值,并叠加各个分量的预测值以获得风速数据的预测值,最后对模型得到预测值与实际风速值、EMD-ARMA模型预测值、ARMA模型预测值进行对比,并进行误差分析。仿真结果表明:局域均值分解与时间序列相结合建立的模型预测误差相对较低。


Composite wind speed prediction method based on LMD and ARMA
YUE Yong, CHEN Wenting, NIE Wei
College of Mechanical and Electrical Engineering, Xinjiang Agricultural University, Urumqi 830052, China
Abstract: In order to solve the influence of intermittent and fluctuating wind speed on the stability of wind power generation, this paper proposes a method of combining local mean decomposition with time series, establishes a model to predict wind speed.First, the local mean decomposition divides the wind speed data into several instantaneous frequency product function components. Then the time series model of each component is established to get the predicted value of each component, and the predicted value of each component is superimposed to get the predicted value of wind speed data. Finally, the predicted value of the model is compared with the actual wind speed value, the predicted value of the EMD-ARMA model and the predicted value of the ARMA model, and an error analysis is performed. The simulation results show that the local mean decomposition model combined with time series has lower error.
Keywords: wind speed prediction;local mean decomposition;time series;combination prediction
2020, 46(8):126-130  收稿日期: 2020-03-17;收到修改稿日期: 2020-05-06
基金项目: 新疆维吾尔自治区省级温室气体清单编制项目(17HXKT-1);新疆维吾尔自治区18年三区人才项目(18SQRC)
作者简介: 岳勇(1980-),男,重庆市人,副教授,硕士,研究方向为风力发电机组现代设计
参考文献
[1] 张妍, 王东风, 韩璞, 等. 一种风电场短期风速组合预测模型[J]. 太阳能学报, 2017, 38(6): 1510-1516
[2] 张少济, 曾杰, 张华, 等. 时间序列模型在风场风速预测中的应用[J]. 水利水电技术, 2016, 47(12): 132-135, 131
[3] 黄小华, 李德源, 吕文阁, 等. 基于人工神经网络模型的风速预测[J]. 太阳能学报, 2011, 32(2): 193-197
[4] 肖迁, 李文华, 李志刚, 等. 基于改进的小波-BP神经网络的风速和风电功率预测[J]. 电力系统保护与控制, 2014, 42(15): 80-86
[5] 黄彦辉, 王龙杰, 杨薛明, 等. 基于混沌时间序列的支持向量机短期风速预测模型研究[J]. 电测与仪表, 2015, 52(17): 32-37
[6] 黄元生, 杨磊, 高冲, 等. 基于经验模态分解和误差校正的短期风速预测[J]. 智慧电力, 2020, 48(1): 35-41
[7] 高阳, 钟宏宇, 陈鑫宇, 等. 基于神经网络和小波分析的超短期风速预测[J]. 可再生能源, 2016, 34(5): 705-711
[8] 王国权, 王森, 刘华勇, 等. 风电场短期风速预测方法研究[J]. 可再生能源, 2014, 32(8): 1134-1139
[9] 韩世浩, 孙树敏, 程艳, 等. 基于改进经验模态分解和支持向量机的短期风速组合预测[J]. 科学技术与工程, 2019, 19(36): 172-178
[10] 刘明凤, 修春波. 基于ARMA与神经网络的风速序列混合预测方法[J]. 中南大学学报(自然科学版), 2013, 44(S1): 16-20
[11] 丁藤, 冯冬涵, 林晓凡, 等. 基于修正后ARIMA-GARCH模型的超短期风速预测[J]. 电网技术, 2017, 41(6): 1808-1814
[12] 李慧梅, 杨英杰, 封会娟. 基于改进LMD的齿轮故障特征增强方法[J]. 机床与液压, 2019, 47(19): 196-199
[13] 杨锡运, 孙翰墨. 基于时间序列模型的风电场风速预测研究[J]. 动力工程学报, 2011, 31(3): 203-208
[14] 侯蒙蒙, 许同乐, 高朋飞, 等. 基于LMD分解的风机轴承故障信号提取研究[J]. 中国农机化学报, 2015, 36(2): 277-279, 286
[15] 喻敏, 常毓婵, 袁浩, 等. 基于HP-EMD和ARMA的短期风速预测[J]. 中国科技论文, 2016, 11(5): 566-570

铁杆赌场娱乐官网 188即时比分网 何氏贵宾会女优vr彩票 tt体育洗码 乐虎国际开元棋牌
亚洲太阳城娱乐 如意游戏对战 体育彩票世界杯竞猜 时时彩最划算玩法 mg娱乐在线平台
大都会BBIN百家乐 乐通高返水日结 京城生日彩金 澳门赛马会 赌王现金直营网
777真人洗码 36棋牌金币 澳门太阳城 中原网投 开心8官网