基于混合模型的超短期風速區間預測

張金良，劉子毅

基于混合模型的超短期風速區間預測

張金良，劉子毅

(華北電力大學經濟與管理學院，北京 102206)

準確的風速預測能夠促進大規模的風電并網，保證電力系統的安全穩定運行。針對傳統點預測方法難以表征預測結果概率可信度問題，提出一種基于模糊信息?；?、改進長短期記憶網絡與差分自回歸移動平均模型的混合區間預測模型。首先，采用自適應噪聲的完全集合經驗模態分解模型對原始風速數據進行分解，并依據模糊熵重構得到新序列。在此基礎上，對每個序列依次進行模糊信息?；?，獲得最大值、最小值及平均值。最后，利用改進長短期記憶網絡模型預測高頻序列，差分自回歸移動平均模型預測低頻序列與余項，并將所得上下界求和得到最終風速區間。算例分析表明，所提模型得出的風速預測區間能夠準確覆蓋實測風速，為電力系統調度提供更多有價值的決策信息。

風速區間預測；模糊信息?；?；改進長短期記憶神經網絡；差分自回歸移動平均模型；混合模型

0 引言

隨著人民生活水平的提高以及用能的電氣化趨勢，“十四五”期間全社會用電量將保持穩步增長的態勢。電力生產清潔化是實現碳中和的關鍵路徑之一，而風電作為一種發展迅速的可再生清潔能源可較好地承接火電來滿足電力增量需求。近年來，風電裝機容量不斷增大，大規模風力發電并網輸送，自然風的隨機性與波動性對電網的影響也愈加突出。對風速的預測可以保障風電機組的穩定運行，幫助調度人員優化決策方案，在提升電網安全可靠性的同時增加了風電場的經濟效益。因此，風速預測是具有重大意義的研究熱點。

現階段風速點預測模型可歸為3種，第1種為考慮數值天氣預報的物理模型。文獻[1]根據ECMWWF-NWF模型預測未來72 h的風速。文獻[2]用集成的模型預測未來48 h的風速。文獻[3]結合NWP和ARIMA模型預測每天的風速。文獻[4]采用卡爾曼濾波和NWP預測每小時的風速。由于氣象因子數據更新較慢，在短時間內難以獲取，故物理模型不適合超短期風速預測，因此，提出了第2種統計預測模型。文獻[5]改進了ARIMA的參數，從而提升了風速預測的準確度。文獻[6]建立ARIMA- GARCH模型，實現了對超短期風速的快速預測。文獻[7]使用自回歸積分滑動平均模型預測愛爾蘭某風電站的風速，取得了良好的預測結果。傳統的統計模型對線性數據具有較好的預測效果，然而，在實際應用中，風速時間序列是不平穩的，所以僅用線性的統計模型無法滿足要求。故提出第3種結合人工智能算法的混合模型。文獻[8]將VMD算法與LSTM網絡結合實現對風速的超前一步預測。文獻[9]提出的基于優化的DBN模型提高了濱海風電場風速的預測精度。文獻[10]采用深度卷積神經網絡和雙向門控循環單元，分別提取對自然風產生影響的時空特征，并利用融合后的特征進行風速預測，通過實例驗證了算法的有效性。文獻[11]將小波分解后的風速數據輸入神經網絡中，獲得精度較高的風速預測結果。

上述研究采用不同技術獲得風速的點預測結果，各模型均有不同特點且預測效果優良。然而，僅獲得點預測值仍存在兩點不足：1) 受內外條件、數據及模型等多方面的影響，使得點預測結果難免存在誤差；2) 確定性的點預測結果無法描述預測值的變化范圍，這為調度管理人員做最優決策帶來了較大困難。為了給系統調度人員提供更多有利于決策的信息并規避風險，研究逐漸延伸到對風速的區間進行預測。文獻[12]以點預測為基礎，根據核密度估計的概率分布構造風速區間。文獻[13]在數據處理后采用混合模型得到點預測值，并采用ARIMA和改進的一階馬爾可夫鏈模型對風速進行概率區間預測。文獻[14]利用Fourier函數擬合誤差概率分布，根據點預測結果估計風速區間。結合統計學的方法進行參數估計，雖可降低模型構造的復雜度，但假設數據序列滿足的某種分布與實際分布具有偏差，有產生較大擬合誤差的可能。為此，提出了人工智能算法進行區間預測，其中一類方法僅應用神經網絡進行區間預測。文獻[15]根據誤差來訓練樣本預測區間的上下界，并依據目標準則不斷更新，獲得最優區間。文獻[16]基于機器學習方法和多目標優化算法對風速序列進行建模預測。文獻[17]提出了一種新的基于時間卷積網絡的風速區間預測模型。另一類方法是基于模糊信息?；c神經網絡算法來構造區間模型。文獻[18]基于模糊信息?；妥钚《酥С窒蛄繖C提出了一種短期風速區間預測算法，用于預測風電場短期風速的變化區間和變化趨勢。文獻[19]應用模糊信息?；突依莾灮?支持向量機算法建立了風速預測模型，提高了風速范圍預測的效果。文獻[20]提出了一種基于模糊信息?；烷L短期記憶網絡的動態預測模型，可描述風速波動性的區間預測結果。文獻[21]提出了一種經驗小波變換模糊信息?；妥儺愻敯魳O限學習機組成的短期風速區間預測模型。盡管人工智能算法有效地彌補了參數估計方法存在的缺陷，但由于風速的復雜特性，單一的人工智能算法對區間預測的研究仍存在一定的局限?？紤]到風速原始數據具有多種特性，預先對風速原始數據進行分解處理，再結合優化的神經網絡算法進行區間預測，可增強所獲區間的可靠性。文獻[22]采用變分模態分解對原始風速序列分解，并基于樣本熵進行重構，對新序列采用相關向量機算法分別建立預測模型。文獻[23]基于局部均值分解-模糊熵和混合灰狼算法優化學習機構建短期風速區間預測模型。文獻[24]提出了經驗模態分解法與飛蛾火焰算法改進高斯過程回歸法相結合的模型，預測短期風速區間。文獻[25]提出了一種將變分模式分解和低秩多核嶺回歸(MKRR)相結合的混合預測方法，用于短期風速區間預測。

綜上所述，本文提出“分解-重構-?；?預測”的思路，采用混合模型進行超短期風速區間預測。

由于自適應噪聲的完整集合經驗模態分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)具有更快的計算速度與更好的分解結果，將其確定為原始風速序列的分解方法。而模糊熵值能夠隨參數的調整而穩定變化，性能較好，故利用模糊熵值對分解得到的多個序列進行重構。其次，應用模糊信息?；幚砻總€重構的新序列，獲得最大值、最小值和平均值。模糊信息?；蓪颖緮祿M行特征提取，是構造區間上下界的基礎。最后，應對不同特征的?；Y果建立一個合適的模型。風速受其歷史數據的影響，一些分量會表現出規律性的特征。因此，將差分自回歸移動平均模型(autoregressive integrated moving average model, ARIMA)應用于常規分量預測。此外，風速也會受到隨機因素的影響，其他分量呈現不規則特征。對于不規則分量，人工神經網絡具有良好的非線性擬合能力和自適應能力，為解決傳統人工神經網絡存在過擬合和梯度消失的問題，提出改進長短期記憶網絡進行預測。兩部分結果加總得到最終的預測區間。

1 基本理論

1.1 自適應噪聲完全集合經驗模態分解

考慮到經驗模態分解方法存在模態混疊的缺陷，導致信號分解精度不高，提出了集合經驗模態分解方法。然而，集合經驗模態分解仍存在計算量較大、具有冗余噪聲等問題。為了進一步優化集合經驗模態分解，文獻[26-27]提出了基于自適應噪聲的完整集合經驗模態分解。CEEMDAN技術方法有兩個優勢特征：1) 此方法是一種自適應的信號處理方法，可將數據序列分為有限且不同時間尺度的分量；2) 在原始信號中添加一組符號相反的白噪聲，解決了前兩種方法存在的缺陷。CEEMDAN分解的原理如下所述。

殘差最終結果為

1.2 模糊熵

模糊熵(fuzzy entropy, FE)是一種度量時間序列復雜程度的方法。該方法基于模糊集的概念，應用指數函數將向量的相似性作為模糊化度量，使模糊熵值能夠隨參數的調整而穩定變化，是近似熵與樣本熵的優化。模糊熵算法的具體步驟如下所述。

1.3 模糊信息?；?/h3>

模糊化過程本質是確定一個函數的過程，是模糊概念G的隸屬函數。本文采用三角型模糊粒子，隸屬函數表示為

1.4 差分自回歸移動平均模型

1.5 改進的長短期記憶神經網絡

由于LSTM的擬合效果取決于學習率，為此本文利用鯨魚優化算法(whale optimization algorithm, WOA)對其進行優化。該方法調參簡單，易于跳出局部最優解，相比傳統優化方法具有優越性。鯨魚優化算法包括3個階段：1) 包圍獵物；2) 狩獵行為；3) 搜索獵物。鯨魚采用隨機的方式來分析其他鯨魚的位置并搜索獵物，以隨機選擇的值代替最優結果。這種探索的方式保證鯨魚算法具有更好的全局搜索能力，可找到全局最優解。數學表達式為

2 預測方法

本文應用分解重構的思路對風速原始數據進行處理，并通過優化的長短期記憶網絡與ARIMA對模糊信息?；Y果進行預測，獲得預測區間，預測流程如圖1所示。具體流程分為以下3步。

圖1 超短期風速區間預測流程

1) 對原始風速數據進行CEEMDAN分解，得到若干組具有不同特征的子序列，再計算各子序列的模糊熵值，對子序列進行重構得到新的序列。

2) 將此時所得到的個重構序列分別進行模糊信息?；幚?，獲得組最小值(LOW)、最大值(UP)和平均值(R)數據，并歸一化處理。

3) 使用鯨魚優化算法改進的長短期記憶網絡(WOA-LSTM)模型(或稱為ILSTM，“I”為“improved”的首字母，代表改進的長短期記憶網絡，指代WOA-LSTM)與ARIMA模型分別對具有不同特性的重構序列的LOW、UP、R進行預測，得到若干組區間上下限與反應區間趨勢的值，將所有區間加總求和得到最終的超短期風速區間結果。

3 算例分析

本文所用風速數據源于美國國家風能技術中心(national wind technology center, NWTC)風速觀測站。選取NWTC站2019年12月25日的實測風速數據，每1min作為一個采樣點，總樣本量為1440，原始風速數據如圖2所示。另外，從愛荷華州立大學官網獲得美國某風電場的風速數據，便于對比研究。以下實驗仿真在Matlab R2018a與Eviews10.0 (x64)平臺上實現。

圖2 原始風速數據

通過調研已有的研究發現，評價超短期風速預測區間需要考慮兩個關鍵點：1) 區間的可靠性；2) 區間的清晰度。實際值落入區間的個數越多代表區間的可靠性越強，通常以覆蓋率作為指標來反映區間的可靠性。在一定條件下區間寬度越小則清晰度越高，故以區間寬度作為指標來衡量區間的清晰度。本文通過上述指標來評價區間結果的優劣，指標具體介紹如下。

1) 預測區間覆蓋率(prediction interval coverage probability, PICP)代表真實值落在預測區間的概率。PICP越大，預測區間所包含的真實值越多，區間的可靠越強。其公式為

2) 預測區間平均寬度(prediction interval normalized average width, PINAW)表示區間結果的寬窄，由于單純追求高的區間覆蓋率而導致較大的寬度使得預測區間失去了意義，故增添平均寬度作為另一個衡量指標，其公式為

3) 預測區間均方根寬度(prediction interval normalized root-mean-square width, PINRW)是基于PINAW獲得的評價寬度的指標，從均方根的角度刻畫區間寬度，其公式為

3.1 數據處理

首先應用CEEMDAN對原始風速數據進行分解，獲得原始信號中具有不同特征的分量，CEEMDAN分解結果如圖3所示。

圖3 CEEMDAN分解結果

然后計算各分量的模糊熵值。其中，嵌入維數取2，相似容忍度取0.2，權重取1。模糊熵反映數據序列的復雜程度，模糊熵值越大代表數據越復雜，其非線性越強。CEEMDAN分解所獲各序列模糊熵值及趨勢如圖4所示。

圖4 CEEMDAN分解所獲各分量模糊熵值及趨勢

由圖4可得，模糊熵值分布在[0,0.02]、[0.1,0.5]和[2,4]，基于這3個范圍將各分量重新組合，重組結果如表1所示。

表1 分解重構結果

3個新序列的重構結果如圖5所示，新序列1與新序列2分別具有明顯的高頻特征和低頻特征，新序列3單獨作為重組序列的余項，反映了風速數據波動的大致趨勢，避免了信息丟失，最終得到具有不同特性的3個子序列。通過分解重構既避免了分解結果冗余，又防止了丟失信息，為隨后的預測建立數據基礎。

圖5 重構結果

將3個子序列分別進行模糊信息?；幚?，以5個采樣點(5 min)為一個窗口，每個分量均可提取出區間下限、均值和區間上限。圖6—圖8依次為新序列1到新序列3的?；晥D。

圖6 新序列1的?；晥D

圖7 新序列2的?；晥D

圖8 新序列3的?；晥D

3.2 區間預測

本文組合神經網絡模型與時間序列模型完成區間預測。在構建優化的LSTM模型方面，利用新序列1進行訓練，分別取圖6中LOW、UP的共288 min數據，其中前230 min數據作為模型的訓練樣本，后58 min數據作為模型的測試樣本。設置鯨魚算法與長短期網絡的基本參數，將均方根誤差作為鯨魚算法的適應度，得到鯨魚優化的長短期記憶網絡模型?；诖四Ｐ瓦M行預測，分別得到區間下界與區間上界的預測結果。同時，根據?；蟮臄祿?新序列2、新序列3)構建ARIMA模型，將數據輸入ARIMA模型得到區間上下界的預測結果，全部結果加總求和得到總預測區間，如圖9所示。

根據圖9，風速實際值基本在預測區間的上下界內，且帶狀區間的趨勢與實際值的趨勢大致相同，表2展示了圖9對應的區間結果。

圖9 FIG-ILSTM-ARIMA模型預測區間示意圖

表2 FIG-ILSTM-ARIMA模型區間預測結果

3.3 結果分析

為進一步驗證所提模型構造區間的優越性，分別對3種場景的指標進行對比分析，如表3—表5所示。其中：表3展示了采用不同模型對不同季節的風速進行區間預測的評價結果；表4比較了不同風場下各模型預測區間效果的優劣；表5對比了不同模型在極端風速情景下的區間構造情況?？傮w而言，覆蓋率變大，區間寬度隨之變窄，體現了所提模型構造區間的優勢。雖然出現對照方法的區間寬度比所提模型的寬度略小的現象，但從綜合覆蓋率的指標來看，當區間寬度結果相差不多時，所提模型的覆蓋率比對照方法的覆蓋率大很多。因此，通過3種情景指標的整體對比可驗證所提模型預測的風速區間具有可靠性，以下對不同情景的結果進行逐一分析。

表3 不同方法下四季風速區間評價指標對比

根據表3，縱向對比不同季節任選一天的風速區間評價指標可發現，所提模型具有較高的覆蓋率，依次為93.10%、91.38%、91.38%和89.66%，全部大于對照方法的覆蓋率，這是由于對照方法在信息?；熬催M行分解重構與特征判斷，導致預測效果不佳。橫向對比某一天的指標計算結果，所提模型具有較高的覆蓋率與較窄的區間寬度，區間更具可靠性。

根據愛荷華州立大學官網的風速數據，計算得到表4。通過對比不同風場的預測結果，所提模型在其他風場仍具有良好的區間預測性能，區間結果如圖10所示。

表4 不同風場的單日風速區間預測評估對比

圖10 FIG-ILSTM-ARIMA模型LOWA風場預測區間示意圖

表5 尖峰風速區間預測評估對比

取NWTC的尖峰數據對極端風速情景的區間預測性能進行研究，通過與基準模型的不同指標對比，可驗證此方法在極端風速情景下仍適用。單獨分析表3中7月8日的風速，可發現所提模型在7月8日的指標結果最優，覆蓋率與區間寬度分別為91.38%和23.83%，原因是此日的風速具有很明顯的尖峰性，這體現出所提模型對于尖峰數據的預測優勢，對具有強波動的數據預測仍有很好的適用性，尖峰風速區間結果如圖11所示。

圖11 FIG-ILSTM-ARIMA模型尖峰風速預測區間示意圖

4 結論

相比傳統點預測，區間預測可為管理決策提供更多有效信息。本文基于信號分析、信息?；?、神經網絡以及時間序列預測方法，建立了一種混合模型來描述超短期風速的波動范圍，并利用實際風速數據進行預測研究，主要研究結論如下：

1) 應用自適應噪聲完全集合經驗模態分解與模糊熵相結合的方法實現了對歷史風速數據的分解和重構，在規避過多分量而導致計算復雜的同時實現了對信號特征的充分提取，為獲得優良的區間預測效果建立了堅實基礎。

2) 通過特征判斷將重組序列分成高低頻與殘差，殘差單獨作為一組序列來反映風速數據波動的大致趨勢，保證信息的完整性。根據新序列的不同特征，分別運用ILSTM與ARIMA進行針對性的預測，充分發揮多種算法的優勢，提升預測效果，所構區間在尖峰風速下仍具有良好的覆蓋性。

3) 模糊信息?；椒蓪︼L速數據進行挖掘并提取所需的有效信息，利用ILSTM處理高頻的非線性特征較強的數據，采用ARIMA處理低頻與趨勢特征明顯的數據。將3種算法結合來實現對風速波動范圍的預測，可同時保證較高的覆蓋率和較窄的區間寬度，為風速區間預測提供了一種可靠、適用的方法。

[1] ALESSANDRINI S, SPERATI S, PINSON P. A comparison between the ECMWF and CCOSMO ensemble prediction systems applied to short-term wind power forecasting on real data — DTU Orbit (30/05/15)[J]. Energy, 2013, 107: 271-280.

[2] DEPPE A J, GALLUS W A, TAKLE E S. A WRF ensemble for improved wind speed forecasts at turbine height [J]. Weather Forecast, 2013, 28: 212-228.

[3] FELICE M D, ALESSANDRI A, RUTI P M. Electricity demand forecasting over Italy: potential benefits using numerical weather prediction models[J]. Electric Power Systems Research, 2013, 104: 71-79.

[4] LYNCH C, OMAHONY M J, SCULLY T. Simplified method to derive the Kalman filter covariance matrices to predict wind speeds from a NWP model[J]. Energy Procedia, 2014, 62: 676-685.

[5] AMINI M H, KARGARIAN A, KARABASOGLU O. ARIMA-based decoupled time series forecasting of electric vehicle charging demand for stochastic power system operation[J]. Electric Power Systems Research, 2016, 140: 378-390.

[6] 丁藤, 馮冬涵, 林曉凡,等.基于修正后ARIMA- GARCH模型的超短期風速預測[J]. 電網技術, 2017, 41(6): 1808-1814.

DING Teng, FENG Donghan, LIN Xiaofan, et al. Ultra- short-term wind speed forecasting based on improved ARIMA-GARCH model[J]. Power System Technology, 2017, 41(6): 1808-1814.

[7] SINGH S N, MOHAPATRA A. Repeated wavelet transform based ARIMA model for very short-term wind speed forecasting[J]. Renewable Energy, 2019, 136: 758-768.

[8] 王俊, 李霞, 周昔東, 等. 基于VMD和LSTM的超短期風速預測[J]. 電力系統保護與控制, 2020, 48(11): 45-52.

WANG Jun, LI Xia, ZHOU Xidong, et al. Ultra short term wind speed prediction based on VMD-LSTM[J]. Power System Protection and Control, 2020, 48(11): 45-52.

[9] 王碩禾, 張嘉姍, 陳祖成, 等. 基于改進深度信念網絡的風電場短期風速預測[J]. 可再生能源, 2020, 38(11): 1489-1494.

WANG Shuohe, ZHANG Jiashan, CHEN Zucheng, et al. Short term wind speed forecasting of wind farm based on improved deep belief network[J]. Renewable Energy Resources, 2020, 38(11): 1489-1494.

[10] 凡航, 張雪敏, 梅生偉, 等. 基于時空神經網絡的風電場超短期風速預測模型[J]. 電力系統自動化, 2021, 45(1): 28-35.

FAN Hang, ZHANG Xuemin, MEI Shengwei, et al. Ultra-short-term wind speed prediction model for wind farms based on spatiotemporal neural network[J]. Automation of Electric Power Systems, 2021, 45(1): 28-35.

[11] 李德順, 李寧, 李銀然, 等. 基于小波分解的DIF- RBFNN超短期風速組合預測方法[J]. 蘭州理工大學學報, 2019, 45(4): 63-66.

LI Deshun, LI Ning, LI Yinran, et al. Ultra short-term combined forecasting method of wind speed based on DIF-RBFNN with wavelet decomposition[J]. Journal of Lanzhou University of Technology, 2019, 45(4): 63-66.

[12] 張亞剛, 趙媛, 王增平. 基于Lorenz擾動分布和VMD的神經網絡風速預測研究[J]. 華北電力大學學報(自然科學版), 2019, 46(4): 8-15.

ZHANG Yagang, ZHAO Yuan, WANG Zengping. Wind speed prediction based on Lorenz disturbance distribution and variational mode decomposition[J]. Journal of North China Electric Power University (Natural Science Edition), 2019, 46(4): 8-15.

[13]DING Wen, MENG Fanyong. Point and interval forecasting for wind speed based on linear component extraction[J]. Applied Soft Computing Journal, 2020, 93.

[14] ZHANGYagang, PAN Guifang, ZHAO Yunpeng, et al. Short-term wind speed interval prediction based on artificial intelligence methods and error probability distribution[J]. Energy Conversion and Management, 2020, 224.

[15] 沈堉, 魏海坤. 基于RBF神經網絡的風電場風速區間預測[J]. 工業控制計算機, 2016, 29(5): 55-57.

SHEN Yu, WEI Haikun. Interval prediction of wind speed based on RBF neural network[J]. Industrial Control Computer, 2016, 29(5): 55-57.

[16] LI Ranran, JIN Yu. A wind speed interval prediction system based on multi-objective optimization for machine learning method[J]. Applied Energy, 2018, 228.

[17] GAN Zhenhao, LI Chaoshun, ZHOU Jianzhong, et al. Temporal convolutional networks interval prediction model for wind speed forecasting[J]. Electric Power Systems Research, 2021, 191.

[18] 陳偉, 郭建鵬, 裴喜平, 等. 風電場短期風速變化區間與變化趨勢預測算法[J]. 電力系統及其自動化學報, 2015, 27(9): 47-52.

CHEN Wei, GUO Jianpeng, PEI Xiping, et al. prediction algorithm of change interval and change trend of short-term wind speed in wind farm[J]. Proceedings of the CSU-EPSA, 2015, 27(9): 47-52.

[19]黃文聰, 張宇, 楊遠程, 等. 模糊信息?；虶WO-SVM算法結合的短期風速范圍預測[J]. 華僑大學學報(自然科學版), 2020, 41(5): 674-682.

HUANG Wencong, ZHANG Yu, YANG Yuancheng, et al. Short term wind speed range prediction based on fuzzy information granulation and GWO-SVM algorithm[J]. Journal of Huaqiao University (Natural Science), 2020, 41(5): 674-682.

[20]殷豪, 黃圣權, 劉哲, 等. 基于模糊信息?；烷L短期記憶網絡的短期風速預測[J]. 電測與儀表, 2019, 56(11): 101-107.

YIN Hao, HUANG Shengquan, LIU Zhe, et al. Short-term wind speed prediction based on fuzzy information granulation and LSTM[J]. Electrical Measurement & Instrumentation, 2019, 56(11): 101-107.

[21] 曾云, 殷豪, 劉哲. 基于EWT-FIG和ORELM模型的風速多步區間預測[J]. 寧夏電力, 2018(4): 6-13.

ZENG Yun, YIN Hao, LIU Zhe. Wind speed multi-step interval prediction based on EWT-FIG and ORELM model[J]. Ningxia Electric Power, 2018(4): 6-13.

[22] 范磊, 衛志農, 李慧杰, 等. 基于變分模態分解和蝙蝠算法-相關向量機的短期風速區間預測[J]. 電力自動化設備, 2017, 37(1): 93-100.

FAN Lei, WEI Zhinong, LI Huijie, et al. Short-term wind speed interval prediction based on VMD and BA-RVM algorithm[J]. Electric Power Automation Equipment, 2017, 37(1): 93-100.

[23] 趙輝, 周杰, 王紅君, 等. 風電場短期風速區間預測[J]. 中國科技論文, 2018, 13(23): 2728-2734.

ZHAO Hui, ZHOU Jie, WANG Hongjun, et al. Short-term wind speed interval prediction based on LMD-FE and HGWO-ELM[J]. China Sciencepaper, 2018, 13(23): 2728-2734.

[24] 白培林, 王皓懷, 李雷, 等. 基于FEEMD-MFO-GPR陽江海上風電場短期風速區間預測[C] // 2019智能電網新技術發展與應用研討會論文集, 2019: 1-6.

BAI Peilin, WANG Haohuai, LI Lei, et al. Short term wind speed range prediction of Yangjiang offshore wind farm based on FEEMD-MFO-GPR[C] // Proceedings of 2019 Symposium on New Technology Development and Application of Smart Grid, 2019: 1-6.

[25] NAIKJ, BISOI R, DASH P K. Prediction interval forecasting of wind speed and wind power using modes decomposition based low rank multi-kernel ridge regression[J]. Renewable Energy, 2018, 129.

[26] TORRES M E, COLOMINAS M A, SCHLOTTHAUER G, et al. A complete ensemble empirical mode decomposition with adaptive noise[C] // IEEE International Conference on Acoustics, Speech, and Signal Processing, 2011: 4144-4147.

[27] 韓宏志, 唐振浩. 基于CEEMDAN與回聲狀態網絡的風速預測方法[J]. 電力系統保護與控制, 2020, 48(12): 90-96.

HAN Hongzhi, TANG Zhenhao. Wind speed prediction method based on CEEMDAN and echo state network[J]. Power System Protection and Control, 2020, 48(12): 90-96.

[28] 熊景華, 茹璟. 基于隨機森林算法和模糊信息?；膮R率預測組合模型研究[J]. 數量經濟技術經濟研究, 2021, 38(1): 135-156.

XIONG Jinghua, RU Jing. Research on exchange rate forecasting integrated model based on random forest and fuzzy information granulation[J]. The Journal of Quantitative & Technical Economics, 2021, 38(1): 135-156.

[29] 王凌云, 林躍涵, 童華敏, 等. 基于改進Apriori關聯分析及MFOLSTM算法的短期負荷預測[J]. 電力系統保護與控制, 2021, 49(20): 74-81.

WANG Lingyun, LIN Yuehan, TONG Huamin, et al. Short-term load forecasting based on improved Apriori correlation analysis and MFOLSTM algorithm[J]. Power System Protection and Control, 2021, 49(20): 74-81.

[30] 史加榮, 趙丹夢, 王琳華, 等. 基于RR-VMD-LSTM的短期風電功率預測[J]. 電力系統保護與控制, 2021,49(21): 63-70.

SHI Jiarong, ZHAO Danmeng, WANG Linhua, et al. Short-term wind power prediction based on RR-VMD- LSTM[J]. Power System Protection and Control, 2021, 49(21): 63-70.

Ultra short term wind speed interval prediction based on a hybrid model

ZHANG Jinliang, LIU Ziyi

(School of Economics and Management, North China Electric Power University, Beijing 102206, China)

Accurate wind speed prediction can promote large-scale wind power integration and ensure the safe and stable operation of a power system. There is a problem in that traditional point prediction methods find it difficult to represent the probability credibility of prediction results. This paper proposes a hybrid interval prediction model based on fuzzy information granulation, an improved long short-term memory network and an autoregressive integrated moving average model. First, the original wind speed data is decomposed by a complete set empirical mode decomposition model of adaptive noise, and the new sequence is reconstructed according to fuzzy entropy. Then the fuzzy information of each sequence is granulated to obtain the maximum, minimum and average values. Finally, the improved long short-term memory network model is used to predict the high-frequency series, and the autoregressive integrated moving average model is used to predict the low-frequency series and the remainder, and then the obtained upper and lower bounds are summed to obtain the final wind speed interval. Example analysis shows that the wind speed prediction interval obtained by this model can accurately cover the measured wind speed and provide more valuable decision-making information for power system dispatching.

wind speed interval prediction; fuzzy information granulation; improved long short-term memory neural network; ARIMA model; hybrid model

10.19783/j.cnki.pspc.220241

國家自然科學基金項目資助(71774054)；中央高?；究蒲袠I務專項資金資助(2019MS055)

This work is supported by the National Natural Science Foundation of China (No. 71774054).

2022-02-28；

2022-05-23

張金良(1981—)，男，博士，教授，研究方向為能源經濟管理；E-mail: zhangjinliang1213@163.com

劉子毅(1996—)，男，碩士研究生，研究方向為能源經濟預測。E-mail: lzy2462071583@163.com

(編輯 姜新麗)