基于二阶数据分解算法和蝗虫优化混合核lss的太阳辐照度预测.docxVIP

基于二阶数据分解算法和蝗虫优化混合核lss的太阳辐照度预测 摘要：针对太阳辐照度时间序列的非线性特点，文章设计了一种新的基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型，并对该模型进行了验证。首先，利用集合经验模态分解（EEMD）算法对原始太阳辐照度时间序列进行分解，得到若干个频率不同的分量；然后，利用变分模态分解（VMD）算法进一步分解频率最高的分量，得到K个相对稳定的分量，其中，K由各分量与利用VMD算法分解得到的残差的相关系数确定；接着，建立基于高斯核和多项式核的混合核最小二乘支持向量机（LSSVM）预测模型，对所有分量进行预测，并利用蝗虫优化算法优化混合核函数的参数；最后，将所有分量的预测结果相加得到原始太阳辐照度时间序列的预测结果。模拟结果表明，与BP神经网络模型、ARIMA模型、LSSVM模型和基于EEMD,LSSVM的预测模型相比，基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型的预测精度更高，能有效反映太阳辐照度的变化规律。 0 引言影响光伏发电系统输出功率的主要因素为太阳辐照度。由于受温度、湿度和云层等因素的影响，太阳辐照度具有非线性，这导致光伏发电系统输出功率具有不稳定性、间歇性等特点。建立太阳辐照度预测模型并获得模拟数据，有利于电力调度部门根据模拟数据提前调整电能的存储和释放，实现光伏发电系统输出功率平滑输出，保持电网稳定工作，并且能够实现更多的光伏发电系统并网运行。目前，太阳辐照度的预测模型主要包括基于太阳辐射传递的物理模型、基于卫星图像技术的预测模型和基于大数据驱动的统计预测模型。基于太阳辐射传递的物理模型建模过程复杂、抗干扰能力较差、鲁棒性不强；基于卫星图像技术的预测模型技术性较强、建设成本较高；基于大数据驱动的统计预测模型能够通过挖掘太阳辐照度及其影响因素的历史数据之间的内在规律，利用机器学习等算法建立太阳辐照度预测模型（以下简称为机器学习模型），与基于太阳辐射传递的物理模型、基于卫星图像技术的预测模型相比，机器学习模型具有投入成本较低、预测速度较快等优点，是目前主要的研究方向。机器学习模型包括时间序列模型、神经网络模型和支持向量机模型等，其中，时间序列模型适用于太阳辐照度变化较小的情形，当太阳辐照度变化较大时，由于神经网络模型能解决非线性问题，其预测性能较好。神经网络模型的经验风险最小，但存在收敛速度慢、泛化能力弱且易陷入局部极小等问题；支持向量机模型的结构风险最小，具有很强的泛化能力，并且能够避免陷入局部极小等问题，其预测性能往往优于神经网络模型本文将泛化能力强、推广能力弱的高斯核函数和推广能力强、泛化能力弱的多项式核函数相结合，构建了混合核函数，并采用蝗虫优化算法（GOA）优化混合核函数中的参数，建立基于GOA优化混合核LSSVM的太阳辐照度预测模型，用来预测太阳辐照度。由于太阳辐照度时间序列不稳定，基于单一机器学习算法建立的太阳辐照度预测模型的预测精度较低。利用数据分解算法如小波分解（WD）算法、集合经验模态分解（EEMD）算法和变分模态分解（VMD）算法等对太阳辐照度时间序列进行分解，可以有效地降低太阳辐照度时间序列的不稳定性，因而，组合了机器学习和数据分解算法的太阳辐照度预测模型的预测精度高于基于单一机器学习算法的预测模型。文献本文根据EEMD算法和VMD算法的特点，设计了基于EEMD和VMD的二阶分解算法以分解太阳辐照度时间序列，具体的分解步骤：首先，采用EEMD算法分解原始太阳辐照度时间序列得到若干个分量；然后，利用VMD算法进一步分解频率最高的分量，得到若干个相对稳定的分量；接着，建立基于GOA优化的混合核LSSVM的太阳辐照度预测模型，对所有分量进行预测，累加所有分量的预测结果，即得到原始太阳辐照度时间序列的预测结果。本文提出的预测模型简称为EEMD-VMD-GOA-LSSVM模型。1 理论与方法1.1 EEMD算法和VMD算法EEMD算法为Huang在经验模态分解（EMD）算法的基础上提出的改进数据分解算法，该算法解决了EMD算法分解过程中极易出现的模态混叠问题VMD算法为GOA为令第i,j个蝗虫之间的距离为d式中：q令第i,j个蝗虫之间的社会行为强度为s(d式中：ζ，ξ均为常数，ζ=0.5，ξ=1.5。令第i个蝗虫个体的社会行为为S式中：n为蝗虫群体中蝗虫的个数；ddGOA的寻优步骤如下。(1)将含有n(2)每个粒子利用式（5）更新后的位置Y式中：uc的计算式为式中：L,l分别为最大迭代次数和当前迭代数；c(3)迭代数l=l+1，并利用式（6）更新c的值。(4)计算更新位置后的粒子的适应度值及最优位置，判断最优位置是否优于T(