改进两阶段分解的熵变混合短期风速预测研究.docxVIP

? ? 改进两阶段分解的熵变混合短期风速预测研究 ? ? 杨 奎，邱 翔，3，李家骅，刘宇陆，3 (1.上海应用技术大学理学院，上海 201418；2.上海应用技术大学城市建设与安全工程学院，上海 201418；3.上海大学应用数学和力学研究所，上海 200444) 1 引言 风能是一种高效率、无污染的可再生能源，当前能源需求日益增长，风能的开发日益受到重视。由于风速的非线性、间歇性和随机性给风电厂的稳定运行带来了挑战。为了大规模开发利用风电，准确的风速预测对于风能的有效利用有着重大的经济效益[1-2]。 目前，风速预测主要分为物理方法、统计方法、深度学习方法[3]。其中，物理方法基于数值天气预报(NWP)利用温度、气压等气象因素进行周期较长的风速预测，不适用于短期预测[4]。统计方法利用时间序列分析对历史风速数据的研究从而发现内在规律进行风速预测。统计方法有自回归滑动平均模型(ARMA)，自回归集成滑动平均模型(ARIMA)等[4]，但由于其缺乏非线性拟合的能力，在风速预测方面的精确度不理想，通常需要结合其他预测模型才能实用化。深度学习方法以其特有的强非线性特征提取和拟合能力被广泛运用于风速预测，例如Zhao等人，提出了CEEMD-模糊熵(FE)的二次分解模型，有效降低风速序列的不平稳性，使用深度信念网络预测短期风能，模型预测精度高[6]。Wang等人建立小波变换为数据前