基于EMD与SVM的风电功率短期预测
基于VMD-JAYA-LSSVM的短期风电功率预测
目前，用于短期风电功率的预测方法主要有神 经网络(N N )、灰色理论(G M )、极限学习机(K L M )
和支持向量机(S V M )等 。文献[2]和文献[3]分别采用 回声状态网络(E S N )和B P 神经网络训练历史数据对 风电功率进行预测，提高了预测精度，但需要大量 的历史数据且训练时间长。文献[4]提出G M (1,1)和 灰 色 Verhulst两 种 灰 色 理 论 预 测 模 型 对 风 电 功 率 进 行 预 测 ，所 需 历 史 数 据 少 ，但 是 预 测 精 度 低 。文献 [5]利用核极限学习机(E K L M )对风速进行预测建模， 结合风电场风功特性曲线得到对应风电功率预测值。
k
L
‘
(6)
效信号和噪音信号，从而实现降噪，防止模态混叠。 V M D 分解可等效成对变分问题求最优解，涉
及 3 个概念：经 典 W i e n e r 滤波、Hilbert变换和频率 混合[12]。
利 用 Parsever/Plancherel傅里叶等距变换，将 式(6)转变到频域，求得二次优化问题的解，如式(7) 所示。
假设)t个模态变量构成多分量信号/ , 并且各本 征模态函数、(〇的 中 心 频 率 为 叫 ，先 经 Hilbert变 换 ，计算单边谱并且获得^(〇的解析信号，如式(1)
_______i*k_________ z
(7)
l+2a (co - 〇)k)
第6 期
陶凯等：基于VMD-JAYA-LSSVM 的短期风电功率预测
(College of Internet of Things Engineering, Jiangnan University, W u x i 214122 China)
基于CEEMD-PSR-FOA-LSSVM的短期风电功率预测
基于CEEMD-PSR-FOA-LSSVM的短期风电功率预测田丽;凤志民;刘世林【摘要】为提高短期风电功率预测精度,针对风电功率波动性大、非周期性和非线性强的特点,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-相空间重构(phase space reconstruction,PSR)-果蝇优化算法(fruit fly optimization algorithm,FOA)-最小二乘支持向量机(least squares support vector machine,LSSVM)的组合预测方法.首先,运用CEEMD算法把风电功率序列分解为若干个分量,并用PSR算法来确定LSSVM建模过程中各个分量的输入和输出;然后,采用FOA算法优化LSSVM建模中的参数,并用训练好的LSSVM对各个分量进行单独预测;最后,用某风电场的实测数据对该组合预测方法进行验证.结果表明,与单独的LSSVM方法和FOA-LSSVM方法预测结果相比,建立的组合模型预测方法精度更高,对风电功率的短期预测更为有效和适用.【期刊名称】《可再生能源》【年(卷),期】2016(034)011【总页数】7页(P1632-1638)【关键词】短期风电功率预测;互补集合经验模态分解;相空间重构;果蝇优化算法;最小二乘支持向量机【作者】田丽;凤志民;刘世林【作者单位】安徽工程大学安徽省电气传动与控制重点实验室,安徽芜湖241000;安徽工程大学安徽省电气传动与控制重点实验室,安徽芜湖241000;安徽工程大学安徽省电气传动与控制重点实验室,安徽芜湖241000【正文语种】中文【中图分类】TK89全球范围内对能源的需求迅速增加，作为最具开发前景的风能资源，因其分布广、易于开发、蕴藏量大的特性而受到各国重视[1]，[2]。
随着科技的快速发展，风电装机容量不断增长，风电接入电网的比例不断上升。
支持向量机向量维数对短期风电功率预测精度的影响
yi W T xi b i T W xi b yi i* , * 0, i 1, 2, , M i i
M
(3)
i , , i , 为拉格朗日乘子。 i 、 对 W、 b、 其中，
* i * i
i 求偏微分并令它们为 0，得到
L 0 b
(
i 1
M
i
i* ) 0
(4) (5) (6) (7)
M L 0 W ( i i* ) ( xi ) W i 1
??inx构成了用于支持向?ixymiiixryr??1212231112xmmnmt???nmtx???nmtx???nt?x???x???xxxxxxxx??????????????????????????????????????????????????????????????????????????1566电力系统保护与控制1211ymt?mt??nmty???nyvyvv??????????????????????????????16依据前面所述支持向量机基本原理自主开发了基于支持向量回归机的风电功率短期多尺度预测评估软件软件中由以iixy构建?svr学习机进行训练取c128?01以高斯径向基作为核函数通过序贯最小优化方法sequentialminimaloptimizationsmo16aa即可得到预测模型
min 1 W 2
2பைடு நூலகம்
(1)
C i i *
i 1
M
(2)
式中： M 是训练样本数；i , i 为松弛变量，表示
基于EMD与SVM的短期风速预测研究
2012年9月第26期科技视界Science &Technology Vision0引言风能是一种可再生、洁净能源并已经得到了各国的高度重视,风力发电已经成为可再生能源中发展最快和最为成熟的一种。
评估风电场的风能资源状况、进行风速预测是开发风力发电项目最基础的工作之一[1-3]。
风速预测方法目前主要有持续预测法[4]、卡尔曼滤波法[5]、随机时间序列法、人工神经网络法、模糊逻辑法[6]、空间相关法[7]、支持向量机(support vector machines,SVM)等。
单独使用这些方法对风电场短期风速预测的绝对平均误差一般在20%-40%左右。
由于风速受多种因素影响,风速信号表现为一典型的非平稳时间序列,单一的预测方法难以取得满意的效果。
因此,本文提出建立复合预测模型,将经验模式分解法(empirical mode decomposition,EMD)与支持向量机相结合进行建模预测。
1建模原理和方法1.1支持向量机原理支持向量机是基于统计学习理论发展起来的一种新的机器学习方法,其最大特点是改变了传统的经验风险最小化原则,具有很好的泛化能力。
另外,支持向量机在处理非线性问题时,首先将非线性问题转化为高维空间中的线性问题,然后用一个核函数代替高维空间中的内积运算,从而巧妙地解决了复杂计算问题,并且有效地克服了维数灾难以及局部极小问题[8]。
支持向量机用来解决预测问题的思想为:给定l 个样本数据{x k ,y k },其中x k ∈R n 为n 维向量,y k ∈R 为相对应的输出变量,寻找一个函数f (x ),以便使用f (x )来推断任意的x 所对应的y 值。
1.2经验模式分解法经验模式分解法是Huang [9]1998提出的一种新的信号处基于EMD 与SVM 的短期风速预测研究陈冉1,2(1.华北电力大学河北保定071000;2.神华河北国华沧东发电有限责任公司河北沧州061113)【摘要】风能作为一种重要的可再生能源,其开发利用得到各国高度重视。
基于EMD和SVM的短期负荷预测
基于EMD和SVM的短期负荷预测祝志慧,孙云莲,季 宇(武汉大学电气工程学院,武汉430072)摘 要:为了有效预测具有一定周期性和随机性的非平稳时间序列性的电力负荷,提高预测精度,提出了结合经验模式分解(EM D)和支持向量机(SV M)的短期负荷预测法。
该法运用EM D将负荷序列分解成若干个不同频率的平稳分量,分解后的分量突出了原负荷的局部特征,能更明显的看出原负荷序列的周期项、随机项和趋势项;根据各个分量的变化规律,选择合适的SV M参数和核函数构造不同的支持向量机分别预测;由SV M对各分量的预测值组合得到最终预测值。
仿真试验表明,此方法与单一的SVM预测法及BP神经网络预测法相比,具有较高的精度和较强的推广能力。
关键词:短期负荷;经验模式分解;本征模式分量;支持向量机;核函数;组合预测中图分类号:T M715文献标志码:A文章编号:1003 6520(2007)05 0118 05Short term Load Forecasting Based on EMD and SVMZH U Zhi hui,SU N Yun lian,JI Yu(Scho ol o f Electrical Engineering,W uhan University,Wuhan430072,China)Abstract:T he po wer lo ad is inher ently non statio nar y t ime series,and has a cer tain perio dicity and r andomness by itself,so it is difficult to co nstr uct the forecasting mo del.T he traditional models are constructed on the basis of the suppo sitio n that the lo ad series are linear and stat ionary,which cannot pr edict accur ately the r eal no n stat ionary load ser ies.I n o rder to predict the sho rt t erm po wer load effectiv ely and lev el up the for ecast precisio n,a hybrid for ecas ting method based o n Empir ical M ode Deco mpo sitio n(EM D)and Suppo rt Vector M achine(SV M)is pr esented in this paper.EM D can deco mpo se non statio nar y sig na ls into some smooth and statio nary int rinsic mode funct ions (1M F)wit h differ ent frequency in the differ ent scale space by t he sifting pro cess.Which is reg arded as new adaptiv e wavelet decomposition method.SVM,a nov el machine lear ning metho d based on the structur al r isk minimization (SRM)pr inciple,is pow er ful fo r the problem w ith small sample,nonlinear ity,high dimension and local minima. Accor ding to the outstanding feature of EM D alg or ithm,firstly,the pow er load t ime ser ies is deco mpo sed into a se r ies of statio nar y intr insic mode funct ions in different scale space via EM D sifting pro cedure.T he local features of o r ig inal load ser ies are pro minent in the intr insic mo de functions so t hat it is mor e o bv ious to o bserv e the cycle,ran dom and t rend parts o f the o riginal load sequence.Secondly,accor ding to the change reg ulation o f each of all resul ted intr insic mode functions,t he right par ameter and ker nel funct ions ar e chosen to build differ ent SV M respectiv ely to fo recast each intr insic mo de functions.A t last,these fo recast ing r esult s o f each IM F a re co mbined w ith SV M to obtain final fo recast ing r esult.T he simulation r esults show that t he hybrid met ho d based on EM D and SV M has fas ter speed,hig her pr ecision and g reater g ener alization abilit y than that of the single SVM method and that of the BP neural netw or k met ho d,which prov es that it is an effective method.Key words:sho rt ter m load;empir ical mo de deco mpo sitio n;int rinsic mode funct ions;suppor t vector machine;ker nel funct ions;hybr id fo recasting0 引 言电力短期负荷预测是能量管理系统(EMS)中一个重要组成部分,随着电力市场改革的深入,负荷预测的作用愈来愈重要。
《2024年基于EEMD-SVM方法的光伏电站短期出力预测》范文
《基于EEMD-SVM方法的光伏电站短期出力预测》篇一基于EEMD-集合经验模态分解与SVM-支持向量机方法的光伏电站短期出力预测一、引言随着全球能源结构的转型，光伏电站作为清洁能源的重要组成部分，其发电量预测显得尤为重要。
短期出力预测对于电网调度、优化资源配置和减少浪费具有重要意义。
然而，由于光伏发电受天气、时间等因素影响，其出力具有较大的波动性，因此，如何准确预测光伏电站的短期出力成为了一个重要的研究课题。
本文提出了一种基于EEMD（集合经验模态分解）和SVM（支持向量机）方法的光伏电站短期出力预测模型，以期提高预测精度和稳定性。
二、EEMD方法及其应用EEMD是一种自适应的、非线性的信号处理方法，能够将复杂信号分解为多个固有模态函数（IMF）。
在光伏电站短期出力预测中，EEMD可以将光伏出力数据分解成多个具有不同时间尺度和频率特性的模态分量，从而提取出影响光伏出力的关键信息。
此外，EEMD还具有较好的噪声抑制能力，可以有效处理非线性、非平稳的信号。
三、SVM方法及其优势SVM是一种基于统计学习理论的机器学习方法，具有较高的预测精度和泛化能力。
在光伏电站短期出力预测中，SVM可以学习光伏出力与影响因素之间的复杂关系，并建立相应的预测模型。
与传统的预测方法相比，SVM能够更好地处理非线性、高维度的数据，且具有较强的鲁棒性。
四、基于EEMD-SVM的光伏电站短期出力预测模型本文提出的基于EEMD-SVM的光伏电站短期出力预测模型，首先利用EEMD对光伏出力数据进行分解，得到多个IMF分量。
然后，利用SVM分别对每个IMF分量进行训练和预测。
最后，将各IMF分量的预测结果进行叠加，得到最终的预测结果。
五、实验与分析为了验证本文提出的EEMD-SVM模型的预测性能，我们进行了大量的实验。
实验数据来自某光伏电站的实际运行数据。
我们将EEMD-SVM模型与传统的BP神经网络、SVM等方法进行了比较。
实验结果表明，EEMD-SVM模型在光伏电站短期出力预测中具有较高的精度和稳定性。
基于经验模态分解的PSO-SVM风电功率短期预测
基于经验模态分解的PSO-SVM风电功率短期预测田淑慧;于惠钧;赵巧红;李林【摘要】针对风电功率预测对精确度的要求,结合风电机组功率特性曲线及支持向量机非线性拟合,提出了一种基于经验模态分解(EMD)的粒子群算法(PSO)优化支持向量机(SVM)功率短期预测模型.即将EMD分解后的各个风速序列分量通过PSO-SVM模型预测,将得到的各分量预测结果叠加后得到风速预测值,将该值输入功率转化曲线,即可得到最终的风电功率预测结果,以实现对风电机组功率的预测.通过对某地区风电场实际风速为例进行的仿真误差对比分析,得知该组合预测模型不仅有效可行,且有效提高了短期风电功率的预测精度.【期刊名称】《湖南工业大学学报》【年(卷),期】2018(032)003【总页数】6页(P59-64)【关键词】功率预测;经验模态分解;参数寻优;支持向量机【作者】田淑慧;于惠钧;赵巧红;李林【作者单位】湖南工业大学电气与信息工程学院,湖南株洲 412007;湖南工业大学电气与信息工程学院,湖南株洲 412007;湖南工业大学电气与信息工程学院,湖南株洲 412007;湖南工业大学电气与信息工程学院,湖南株洲 412007【正文语种】中文【中图分类】TM6140 引言已有的风电机组功率预测方法可以分为如下两种：一是利用风电机组的功率特性曲线，将原始的风速序列转化为风电功率的原始序列，再对这些序列进行建模仿真，以实现对风电机组功率的预测；二是将通过模型预测得到的风速预测数据，直接通过风电机组功率特性曲线进行转换，从而实现对风电机组功率的预测[1]。
由于风速所具有的规律性比风电场发电功率的规律性强，为了得到较高的预测精度，大多选择先对风电场风速进行预测的方法实现对风电机组功率的预测。
经验模态分解是一个完全自适应的过程，在信号分解前无需预设基函数，这个特点使其与需建立先验性假设的谐波基函数的傅立叶分解方法和以小波基函数为前提的小波分解方法有着本质差别。
基于EMD与SVM的短期风速预测研究
沧州
０ １ ） ６ １ １３
【 要】 摘 风能作为一种重要的可再生能源， 其开发利用得到各国高度重视。准确预测风速对于接入大量风电的电力系统
意义重大。 了提 高风速的预测精度 ， 为 本文提 出建立基 于经验模式分解（ ＭＤ） Ｅ 与支持 向量机（ｖ ） ｓ Ｍ 的复合预测模 型。 该模型首
ｐ ｅ ｉｔ ｎ ｐ ｅ ｃ ｕ ａ ｅｙ ｆ ｒｔｅ ｐ ｗｅ Ｙ ｔ ｍ ｉ ｈ ｉ ｃ ｕ ｅ ａ ｇ ｍｏ ｎ ｓｏ ｉ ｄ ｐ ｗ ｒ Ｉ ｒ ｅ ｍｐ ｅ ｔ ｅ ａ ｃ ｒｃ ｆ ｒ ｄ ｃ ｄ ｓ ｅ ｄ ａ ｃ ｒ ｔ ｌ ｏ ｏ ｒ ｓ ｓｅ ｗｈ ｃ ｎ ｌ ｄ ｓ ｌｒ ｅ ａ ｕ ｔ ｆｗ ｎ ｏ ｅ ． ｎ ｏ ｄ ｒｔ ｉ ｍｖ ｈ ｃ ｕ ａ ｙ ｏ ｗｉ ｈ ｏ
Hale Waihona Puke ｗｎ ｐ ｅ ｒｄ ｔ ｎ ｔｅｐ ｐｒｐｏｏｅ ｄｌｂｓｄｏ ｍ ｉｃｌｍ ｄ ｅｏ ｐ ｓｉｎ （Ｍ ） ｎ ｕ ｐｒ ｖｃｏ ａｈｎｓ ｉｄ ｓｅｄｐｅｉ ｉ ， ｈ ａｅ ｒｐｓｄ ａｍｏｅ ａｅ ｎ ｅ ｐｒ ａ ｏ ｅｄｃｍ ｏｉｏ Ｅ Ｄ ａ ｄ ｓｐ ｏｔ ｅｔ ｍ ｃ ｉ ｃｏ ｉ ｔ ｒ ｅ
２１ 年 ９ ０２ 月第 ２ 期 ６
Ｓｎ＆ ｅ ｏｙｉｎ 科 ｃ Ｔｈｌ ｉ ｃ ｅ ｃ ｏ界 ｏ ｉ 技 视 ｇ ｓ ｅ ｎ Ｖ
科 教前 哨
基于 Ｅ ＭＤ与 Ｓ Ｍ 的短期风速预测研究 Ｖ
．
陈
冉 １ ， ２
（． 北 电力大 学 １华
河北
保定
０ １ ０ ２神 华河北 国 华沧 东发 电有 限责任公 司 河北 ７ ０ ０；．
２Ｓ ｅ ｈ ａＨｅ ｅ ｎ ｄ ｎ ｏ ｒ Ｃｏ， ｄ ， ｎ ｚ ｏ ｂ ｉ ０ １ １ ，Ｃｈｎ ） ．ｈ ｎ ｕ ｂ ｉＣａ ｇ ｏ ｇＰ ｗｅ ．Ｌｔ ． Ｃａ ｇ ｈ ｕ Ｈｅ ｅ， ６ １ ３ ｉ ａ
基于EEMD-SVM方法的光伏电站短期出力预测
基于EEMD-SVM方法的光伏电站短期出力猜测一、概述光伏电站作为可再生能源的重要代表之一，在能源领域发挥着越来越重要的作用。
然而，由于天气、季节等因素的影响，光伏电站的输出功率往往存在一定的波动性，给电网的稳定性带来了挑战。
因此，准确地猜测光伏电站的短期出力对电网的运营和调度具有重要意义。
传统的猜测方法（如ARIMA、BP神经网络等）往往只能对线性和稳定的数据进行猜测，而不能充分思量非线性和时变性的特点。
因此，本文将基于EEMD-SVM方法，更好地抓取光伏电站短期出力的特点。
二、EEMD-SVM方法的原理EEMD（Ensemble Empirical Mode Decomposition）是一种阅历模态分解方法，它能够将非线性、非稳定的时间序列分解成若干个本质模态函数（IMFs），每个IMF都具有不同的频率。
EEMD通过迭代屡次对原始信号进行噪声加成，从而消除了传统EMD方法中的模态混叠问题。
SVM（Support Vector Machine）是一种基于统计进修理论的机器进修算法，其基本思想是通过构建一个最优超平面将样本分为不同的类别，并在分类器中添加一定的容错空间（松弛变量）。
SVM具有良好的泛化性能和抗噪性。
将EEMD和SVM 相结合，可以更好地利用EEMD分解得到的IMFs特征进行光伏电站短期出力的猜测。
详尽步骤如下：1. 对原始的光伏电站出力数据进行EEMD分解，得到各个IMFs。
2. 提取每个IMF的统计特征，如均值、标准差、峰度、偏度等。
3. 将提取的特征作为SVM的输入向量，构建一个多分类器。
4. 利用SVM训练模型，并对测试集进行猜测。
5. 依据猜测结果，进行模型评估和优化。
三、试验设计和数据收集为了验证基于EEMD-SVM方法的光伏电站短期出力猜测效果，我们选择了某光伏电站的历史出力数据作为试验数据。
该电站位于某省份，容量为100MW，数据采集间隔为15分钟。
我们共收集了一年的数据，即每天96个数据点。
基于IBBDE-SVM的短期风电功率预测
水力发电第 47 卷第 6 期2021年6月基于IEBDE-SVM的短期风电功率预测龚雪娇，唐波，朱瑞金(西藏农牧学院电气工程学院，西藏林芝860000)摘要：提出一种基于改进骨架微分进化算法(I BBDE )优化支持向量机% SVM )的短期风电功率预测方法°采用IBBDE 算法可有效解决SVM 模型学习参数选择难的问题°以西藏格尔木地区五子湖风电场为算例进行发电功率预测，结果表明所提方法具有较高的预测精度"关键词：风电功率预测；支持向量机；骨架微分进化；学习参数Short-term Wcd Power Forrcastmg Based on IBBDE-SVMGONG Xueeiao,TANG Bo,ZHU Ruiein(School of Electrical Engineering, Tibet Agriculture & Anirnal Husbandiv University, Nyingchi 860000, Tibet, China)Abstraci: A short-term wind power forecasting model based on support vector machine ( SVM) optimized by improved bare-bonesdi f eHentialeeolution algoHithm (IBBDE) is pHoposed. TheIBBDE algoHithm can soleethepHoblem ofdi f iculty in selectingtheleaHningpaHameteHsin SVM.ThesimulationsaHepeHfoHmed on WuziLakewind poweHstation in Tibet,and theHesultsshowthatthepHoposed method hashigheHfoHecastingaccuHacy.Key Words: wind power forecasting; SVM; bare-bones differential evelution algorithm; learning parameter中图分类号：TM615文献标识码：A文章编号：0559-9342%2021)06-0109-030引言大力发展新能源技术是我国实现“碳达峰、碳中和”的必由之路，以风能为代表的绿色新能源将持续被大量开发利用"截至2020年底，我国累计风电装 机容量达2. 82亿kW 。
基于EMD与SVM的短期风速预测研究
基于EMD与SVM的短期风速预测研究【摘要】风能作为一种重要的可再生能源，其开发利用得到各国高度重视。
准确预测风速对于接入大量风电的电力系统意义重大。
为了提高风速的预测精度，本文提出建立基于经验模式分解（EMD）与支持向量机（SVM）的复合预测模型。
该模型首先将风速时间序列进行经验模式分解，然后对不同频带的分量分别建立支持向量机预测模型，再将各个模型的预测值等权求和得到最终的风速预测值。
本文采用某风场实测数据进行建模，预测后40min风速，算例表明，该模型能有效提高风速预测的精度。
【关键词】风速；预测；SVM；EMD0 引言风能是一种可再生、洁净能源并已经得到了各国的高度重视，风力发电已经成为可再生能源中发展最快和最为成熟的一种。
评估风电场的风能资源状况、进行风速预测是开发风力发电项目最基础的工作之一[1—3]。
风速预测方法目前主要有持续预测法[4]、卡尔曼滤波法[5]、随机时间序列法、人工神经网络法、模糊逻辑法[6]、空间相关法[7]、支持向量机（support vector machines，SVM）等。
单独使用这些方法对风电场短期风速预测的绝对平均误差一般在20%—40%左右。
由于风速受多种因素影响，风速信号表现为一典型的非平稳时间序列，单一的预测方法难以取得满意的效果。
因此，本文提出建立复合预测模型，将经验模式分解法（empirical mode decomposition，EMD）与支持向量机相结合进行建模预测。
1 建模原理和方法1.1 支持向量机原理1.2 经验模式分解法经验模式分解法是Huang[9]1998提出的一种新的信号处理方法。
从本质上讲，经验模式分解法是对时间序列进行平稳化处理。
经验模式分解的过程主要如下：（1）找到待分解信号的全部极值点（包括极大值和极小值点），利用三次样条函数分别对极大值点和极小值点进行拟合，从而找到信号的上下包络线，计算出两包络线的均值，进而求出待分解信号和均值的差值h；（2）判断h是否满足本征模式函数（intrinsic modefunction，IMF）的要求，若满足则令h为原信号的第1个IMF，并求出原信号与该IMF的差值r；若不满足则重复上述过程若干次，直到新的h满足IMF的条件；（3）将x作为待分解信号，重复以上过程，直到剩余信号满足预先给定的终止准则（如分解得到的剩余信号rn足够小或成为一个单调函数），则终止整个分解过程。
219455625_基于CEEMDANGISSAGLSSVM_模型的短期风电功率预测
第３８卷第２期２０２３年４月安㊀徽㊀工㊀程㊀大㊀学㊀学㊀报J o u r n a l o fA n h u i P o l y t e c h n i cU n i v e r s i t y V o l ．３８N o ．２A pr ．２０２３文章编号:１６７２Ｇ２４７７(２０２３)０２Ｇ００２７Ｇ０８收稿日期:２０２２Ｇ０６Ｇ０４㊀基金项目:安徽省教育厅重大基金资助项目(K J ２０２０Z D ３９);安徽省检测技术与节能装置重点实验室开放基金资助项目(D T E S D ２０２０A ０２)作者简介:苏忠德(１９９６Ｇ),男,安徽明光人,硕士研究生.通信作者:陆华才(１９７５Ｇ),男,安徽天长人,教授,博士.基于C E E M D A N ＧI S S A ＧL S S VM 模型的短期风电功率预测苏忠德,陆华才∗,魏利胜(安徽工程大学电气传动与控制安徽省重点实验室,安徽芜湖㊀２４１０００)摘要:为提高风电功率预测的准确性,采用基于自适应噪声完备集成经验模态分解㊁改进樽海鞘群算法及最小二乘支持向量机的短期风电功率组合预测方法.首先采用自适应噪声完备集成经验模态分解将功率数据分解为若干个本征模态分量和一个残差,通过偏自相关函数确定输入维数;然后建立改进樽海鞘群算法优化最小二乘支持向量机预测模型对各个分量进行预测;最后将各分量预测结果叠加得到风电功率预测结果.仿真结果表明,所提出的模型在短期风电多步预测中精度更高.关键词:自适应噪声完备集成经验模态分解;樽海鞘群算法;最小二乘支持向量机;偏自相关函数;多步预测中图分类号:TM ６１４㊀㊀㊀㊀文献标志码:A风能作为一种重要的可再生能源,具有分布广㊁储量高㊁无污染等特点受到很多国家的重视[１].然而风力发电具有很强的随机性和波动性,随着风电装机占比的逐年上升,大规模风电并网对电力系统的运行安全带来严峻的挑战[２].因此,准确的风电功率预测有利于及时调整调度规划和提高电网的运行安全[３].风电功率预测的方法通常分为物理法和统计学方法[４].物理法不需要历史数据的支持,其原理是利用数值天气预报的风速㊁风向作为输入数据,再结合风机周围的地表信息建立数学模型进行求解[５];统计方法是根据历史数据建立预测模型,常用的统计学方法有支持向量机(S u p po r t V e c t o r M a c h i n e s ,S VM )[６]㊁极限学习机(E x t r e m eL e a r n i n g Ma c h i n e ,E L M )[７]㊁随机森林(R a n d o m F o r e s t ,R F )[８]和人工神经网络(A r t i f i c i a lN e u r a lN e t w o r k s ,A N N )[９]等.最小二乘支持向量机相比支持向量机具有更高的运算速度和收敛精度,因而在风电功率预测中广泛应用[１０].文献[１１]提出最小二乘支持向量机的风电功率超短期预测方法,并采用量子行为特征粒子群算法对最小二乘支持向量机相关参数进行优化,具有较高的预测精度;文献[１２]中采用布谷鸟搜索算法对E E M D ＧL S S VM 中关键参数进行优化,有效提高了风电功率预测准确性.针对风电功率数据随机性和不平稳性等特征,许多学者尝试将数据分解与统计学模型相结合的方法.文献[１３]将风电功率序列用经验模态分解(E m p i r i c a lM o d eD e c o m p o s i t i o n ,E M D )算法分解为若干个分量,再对各序列建模预测,E M D 算法可以有效地对风电功率数据进行平稳化处理,但存在模态混叠现象,模态混叠是指一个I M F 中包含差异极大或相近的特征时间尺度分布在不同中I M F 中,导致两个相邻的I M F 波形混叠,相互影响,难以辨认,此时I M F 分量丧失物理意义.为了解决E M D 分解时产生模态混叠的影响,文献[１４]采用集合经验模式分解(E n s e m b l eE m p i r i c a lM o d eD e c o m p o s i t i o n ,E E M D )算法分解风电功率序列,E E M D 的做法是在原始信号中加入高斯白噪声,虽然有效地抑制模态混叠,但在分解后的各分量中残留的白噪声不能完全消除.对此,文中提出C E E M D A N 算法㊁改进樽海鞘群算法优化L S S VM 超参数的短期风电功率多步预测方法.C E E M D A N 算法可以有效地解决E M D 和E E M D 存在的问题,利用C E E M D A N 算法将风电功率数据分解为若干个子序列,建立各子序列分量的L S S VM 预测模型,采用改进的樽海鞘群算法优化L S S ＧVM 的核参数和正则化参数,最后将各子序列的预测结果叠加重构获得预测值.Copyright ©博看网. All Rights Reserved.１㊀C E E M D A N 原理E M D 是一种对非稳态信号处理的方法,将信号通过筛选过程分解为不同频率的I MF ㊁E M D 方法存在模态混合的缺点,不能准确提取信号的有效特征信息.为了解决E M D 分解的模态混合问题,E E M D 方法是在E M D 分解过程中,在样本数据中加入一个高斯白噪声,通过求平均值来消除这些噪声信号[１５].然而经过有限迭代,重建的信号仍然包含噪声信号.为了消除残余噪声,T o r r e s 等[１６]提出在E M D 分解的过程中加入自适应辅助噪声信号,与E M D 和E E M D 相比,该方法有效地消除模态混合的问题.C E E M ＧD A N 的分解步骤如下:S t e p １:假设x (t )为原始风电数据,在原始信号中添加高斯白噪声z (t )y (t )＝x (t )η０z (t ),(１)式中,η０为噪声系数.S t e p ２:信号y (t )经过L 次重复分解,然后计算均值,得到C E E MD A N 的第一个I M F I MF １(t )＝１L ðLi ＝１I MF i １(t ).(２)S t e p ３:计算残差r １(t )r １(t )＝x (t )－I MF i １(t ).(３)S t e p ４:对信号r １(t )＋η１E １(z (t ))进行E MD 分解,计算第二个I MF I MF i２(t )＝１L ðLi ＝１E １{r １(t )＋η１E １[z (t )]},(４)式中,E １(∗)代表E MD 分解;η１为噪声系数.S t e p ５:计算第k 个残余分量r k (t )＝r k －１(t )－I MF i k (t ),k ＝２,３, ,L .(５)S t e p ６:重复计算步骤４的计算过程,得到第k 个I M F I MF k ＝１L ðLi ＝１E １{r k (t )＋ηkE k [z (t )]}.(６)S t e p ７:最后,分解结果如下所示p (t )＝r k (t )＋１L ðLi ＝１I MF i １(t ).(７)２㊀L S S VM 模型最小二乘支持向量机是在支持向量机的基础上改进的算法.其原理是通过非线性函数将数据映射到高维空间后并进行线性回归,建立的回归函数为:f (x )＝w Tϕ(x )＋b ,(８)式中,w 为权值向量;b 为偏置量.根据结构风险最小化原则,目标函数可以表示为:m i n J (w ,e )＝１２w T w ＋１２γðNi ＝１e ２i s ．t ㊀y i [w T ϕ(x i )＋b ]＝１－e i ,i ＝１, ,N ìîíïïïï,(９)式中,γ为正则化参数;e i 为松弛变量.由于上式维度较高,采用拉格朗日乘数法将问题转为对参数α求解.L (w ,b ,e ,α)＝m i n J (w ,e )－ðNi ＝１αi [w T ϕ(x i )＋b ＋e i －y i ],(１０)式中,αi 为拉格朗日乘数.根据K K T 最优条件得:８２ 安㊀徽㊀工㊀程㊀大㊀学㊀学㊀报第３８卷Copyright ©博看网. All Rights Reserved.∂L ∂w ＝０ңw ＝ðNi ＝１αi y i ϕ(x i )∂L ∂b ＝０ңðN i ＝１αi y i ＝０∂L∂e i ＝０ңαi ＝γe i ∂L ∂αi＝０ңw Tϕ(x i )＋b ＋e i －y i ＝０ìîíïïïïïïïïïïï㊀,(１１)消除w 和e 后得到线性方程组如下:０I TI Z Z T ＋I γéëêêêùûúúúb αéëêêùûúú＝０y éëêêùûúú,(１２)式中,Z ＝[ϕ(x i )T y １, ,ϕ(x N )T y N ],I ＝[１, ,１]T 为N ˑ１维度列向量,y ＝[y １, ,y N ]T,α[α１, ,αN ]T.根据M e r c e r 条件,应用核函数K (x i ,x j )等效上式中内积计算,将非线性问题线性化,即:K (x i ,x j )＝ϕ(x i )Tϕ(x j ),(１３)则L S S VM 模型表达式为:y (x )＝ðNi ＝１αi K (x ,x i )＋b .(１４)L S S VM 的性能受到正则化参数㊁核函数类型和参数的影响,常见的核函数有R B F 核函数㊁线性核函数㊁P O L Y 核函数㊁S i g m o i d 核函数.R B F 核函数具有泛化能力好,表现形式比较简单且具有较宽的收敛域等优点,文中选择R B F 核函数作为L S S VM 模型的核函数.３㊀樽海鞘群算法３．１㊀标准樽海鞘群算法樽海鞘群算法(S a l p S w a r m A l g o r i t h m ,S S A )是由M i r j a l i l i 等[１７]提出的群智能优化算法,主要灵感来自于樽海鞘在海中群聚和捕食的行为.为了用数学的方式对樽海鞘进行建模,将种群分为两部分:领导者和追随者.位于樽海鞘链前端的称为领导者,其余的个体为追随者.具体过程如下:假设每个樽海鞘个体在N ˑD 维空间搜索,N 为种群大小,D 为维数,空间上限为u b ,空间下限为l b .搜索空间中的食物源F 为群体的目标,即全局最优解.樽海鞘位置初始化:X i j ＝r a n d (N ,D )ˑ(u b j －l b j )＋l b j ,(１５)式中,r a n d ()为生成[０,１]之间的随机矩阵;u b 为第j 维的上限;l b 维第j 维的下限.更新领导者位置:X １jF j ＋c １((u b j －l b j )c ２＋l b j )㊀c ３ȡ０．５F j －c １((u b j －l b j )c ２＋l b j)㊀c ３＜０．５{,(１６)式中,X １j 为第一个樽海鞘在j 维的位置;F j 为食物在j 维的位置;c ２和c ３为随机数.c １的定义为:c １＝２e －t T()２,(１７)式中,t 为当前迭代次数;T 为最大迭代次数.为了更新追随者位置,根据牛顿运动定律:X i j ＝１２a t ２＋v ０t ,(１８)式中,i ȡ２;X i j 为i 只追随者在第j 维空间的位置;t 为时间;v ０为初速度;a ＝v f i n a lv ０,v ＝x －x ０t .因为在算法中优化时间为迭代,迭代之间的差值为１,考虑v ０＝０,则等式可表示为:９２ 第２期苏忠德,等:基于C E E M D A N ＧI S S A ＧL S S VM 模型的短期风电功率预测Copyright ©博看网. All Rights Reserved.x ij ＝１２(x i j ＋x i －１j ).(１９)３．２㊀改进樽海鞘群算法(１)T e n t 映射种群初始化.樽海鞘群算法的初始种群采用随机策略生成,全局搜索能力有限,容易陷入局部最优.为提高樽海鞘群算法的寻优精度,引入了混沌思想.混沌映射的目的是通过映射关系在[０,１]区间产生混沌序列,利用混沌的随机性㊁遍历性等特点初始化种群可有效提升种群的多样性,使算法跳出局部最优,提高全局搜索能力[１８].T e n t 映射的数学表达式如下:y j ＋１μy j ０ɤy j ɤ０．５μ(１－y j )０．５＜y j ＜１{,(２０)式中,μɪ(０,２];μ是反映系统混沌程度的控制参数,μ越大,系统混沌性越好,文中取μ＝２;j ＝１,２, ,D 表示混沌变量序号.将混沌序列进行逆映射,得到个体的搜索空间变量x ij ,x i j ＝(u b j －l b j )y ij ＋l b j .(２１)(２)差分变异策略.受文献[１９]的启发,在领导者更新中引入差分变异策略,随机从种群中选取两个不同个体x r １j 和x r ２j 变异生成新的个体,增强种群多样性,提高全局搜索能力.改进后的领导者位置更新如下:X ij＝F j ＋c １(x r １j －x r ２j ),c ３ȡ０．５F j －c １(x r １j －x r ２j),c ３＜０．５{,(２２)式中,r １,r ２ɪN ,c １的表达式如式(１７)所示;c ３为随机数.(３)莱维飞行策略.莱维飞行利用短距离搜索增强算法局部搜索能力,利用长距离跳跃搜索可避免陷入局部最优解,提高算法全局搜索能力.M a n t e gn a 在１９９４年提出的一种用正态分布求解随机数的方法,生成服从莱维分布的随机步长,M a n t e gn a 方法描述如下:L e v y (β)＝S ＝uv １β,(２３)u ~(０,σ２u ),v ~(０,σ２v ),(２４)σu ＝Γ(１＋β) s i n πβ２æèçöø÷Γ１＋β２æèçöø÷β２β－１２éëêêêêùûúúúú,(２５)式中,u ,v 服从高斯分布;β＝１．５,σv ＝１.改进后的追随者位置更新表达式如下:x i j ＝１２{x i j ＋x i －１j ＋[x i j ＋L e v y (β)]}.(２６)３．３㊀改进樽海鞘群算法步骤S t e p １:初始化参数,使用式(２１)初始化种群.S t e p ２:计算个体适应度值,选择最优值作为食物源的位置.S t e p ３:根据式(２２)对樽海鞘领导者的位置进行更新.S t e p ４:根据式(２６)对樽海鞘追随者的位置进行更新.S t e p ５:计算个体适应度值,与当前适应度值对比,若新的适应度值优于当前值,则更新食物源位置.S t e p ６:判断是否满足终止条件,若满足则输出结果,若不满足则转到S t e p ３进行迭代.４㊀C E E M D A N ＧI S S A ＧL S S VM 模型建立风电功率数据具有较强的波动性和非平稳性,直接作为I S S A ＧL S S VM 模型的输入对预测精度有较大的影响.文中利用C E E M D A N 对风电功率进行分解,采用I S S A 优化L S S VM 的正则化参数和R B F 核参数,建立C E E M D A N ＧI S S A ＧL S S VM 短期风电功率预测模型,流程图如图１所示.０３ 安㊀徽㊀工㊀程㊀大㊀学㊀学㊀报第３８卷Copyright ©博看网. All Rights Reserved.图１㊀C E E M D A N ＧI S S A ＧL S S VM 预测模型５㊀算例分析５．１㊀样本选择与处理文中研究的风电功率数据来自比利时E l i a 公司网站[２０],风电功率采样时间间隔为１５m i n,从数据集中随机选取１２４８个数据点,其中前１１５２个数据作为训练样本集,后９６个数据作为测试样本.风电功率原始序列图如图２所示.原始风电功率存在较强的波动性和不稳定性等特点,采用C E E M D A N 将原始风电功率序列分解为多个波动小㊁平稳性好的子序列,也能有效地消除模态混合的问题.C E E M D A N 分解得到个１０个I M F 分量和１个残差分量,结果如图３所示.分解后的子序列与风电原始序列相比幅度小且平稳性好.图２㊀风电功率原始序列图图３㊀C E E M D A N 分解结果１３ 第２期苏忠德,等:基于C E E M D A N ＧI S S A ＧL S S VM 模型的短期风电功率预测Copyright ©博看网. All Rights Reserved.２３ 安㊀徽㊀工㊀程㊀大㊀学㊀学㊀报第３８卷５．２㊀建立模型输入矩阵模型输入矩阵的选取对预测性能有着重要的影响,应用偏自相关函数计算各个子序列的相关系数,确定模型输入矩阵的维数,避免人工选取的不足.各分量时滞如表１所示,I M F１序列的滞后值为７,这说明前７个风电功率值对预测未来功率值贡献最大的相关信息.将前７个风电功率序列作为模型的输入来预测下一个功率值,然后将预测值作为输入对下一个功率值进行预测.表１㊀各分量的滞后值分量I M F１I M F２I M F３I M F４I M F５I M F６I M F７I M F８I M F９I M F１０R e s 滞后值７５１３１０１４８７８７１０７５．３㊀预测结果及分析风电功率序列通过C E E M D A N分解后,采用I S S AＧL S S VM预测模型对各分量进行预测,将分解后的子序列训练的平均绝对误差作为优化目标函数.为验证文中提出模型的优越性,建立了６种预测模型进行分析.模型１:L S S VM预测模型;模型２:极限学习机(E L M)预测模型;模型３:小波神经网络(WN N)预测模型;模型４:I S S AＧL S S VM预测模型;模型５:E E M DＧI S S AＧL S S VM预测模型;模型６:C E E M D A NＧI S S AＧL S S VM预测模型进行风电功率预测,预测结果如图４所示.为了对预测结果进行合理的评价,采用平均绝对误差(M e a nA b s o l u t eE r r o r,MA E)㊁平均绝对百分比误差(M e a nA b s o l u t eP e r c e n t a g eE r r o r,MA P E)及均方根误差(R o o tM e a nS q u a r eE r r o r,R M S E)来衡量模型的预测效果,其数学表达式为:MA E＝１NðN i＝１|Y A i－Y F i|,(２７)R M S E＝１NðN i＝１(Y A i－Y F i)２,(２８),(２９)MA P E＝１NðN i＝１|Y A i－Y F i|Y A iˑ１００％式中,N为样本数;Y A i为风电功率的真实值;Y F I为风电功率的预测值.图４a㊁c㊁e为６种模型的预测曲线.从图４中可以看出,模型１~４随着预测步数的增加,预测效果越来越差;模型５和模型６在１~３步预测中均能够有效地跟踪预测;图４b㊁d㊁f中的横坐标为功率测量值,纵坐标为预测值,红线为测量值与预测值相等线,当预测点越靠近红线时,说明预测精度越高.从３张散点图上看,模型１~４随着预测步长的增加,预测点逐渐偏离红线;模型５和模型６在１~３步预测中预测点均能够很好的靠近红线.表２为预测结果比较.从表２中可以看出,模型６的１~３步预测的评价指标均优于其他模型.表２㊀预测结果比较模型１ＧS t e p２ＧS t e p３ＧS t e p MA E R M S E MA P E/％MA E R M S E MA P E/％MA E R M S E MA P E/％模型１２．９７４４．０２４７．２３１４．７９９６．３７９１１．７５２６．３５２８．４１２１５．９４９模型２２．９４３３．７８９７．４３９４．４５５６．１１０１１．４２３５．９０９７．６４９１５．１６４模型３３．０５９３．８７１７．３７３４．７２０６．０３２１１．４９２６．１９７８．０７７１５．３３３模型４２．６８１３．５０２６．７９３４．１９２５．６６３１０．９７８５．６７４７．４３０１４．８９４模型５１．１５３１．４５１３．２３４１．８６６２．３６０５．０７９２．１２３２．６６６５．７０９模型６０．９７６１．２１６２．４６８１．４３４１．８３２３．８５５１．８８７２．６５１５．０５７６㊀结论文中提出C E E M D A NＧI S S AＧL S S VM短期风电功率多步预测方法,通过仿真分析得出以下结论: (１)采用C E E M D A N方法将波动性强的原始风电功率序列分解为较为平稳的子序列,可有效地降低预测误差.Copyright©博看网. All Rights Reserved.图４㊀预测结果及散点图(２)对各子序列构建L S S VM 预测模型前,通过P A C F 确定输入变量维数,再通过改进的樽海鞘群算法对L S S VM 的参数进行寻优构建I S S A ＧL S S VM 预测模型,有效地提高了预测精度.(３)通过对比多种预测模型的多步预测,文中提出的模型在１~３步预测中MA E ㊁MA P E 和R M S E 均最小,说明文中提出的预测模型在短期风电功率多步预测具有很好的应用价值.参考文献:[１]㊀Z HO U B ,D U A N H R ,WU Q W ,e t a l ．S h o r t Ｇt e r m p r e d i c t i o no fw i n d p o w e r a n d i t s r a m p e v e n t s b a s e do n s e m i Ｇs u pe r Ｇv i s e d g e n e r a t i v e a d v e r s a r i a l n e t w o r k [J ]．I n t e r n a t i o n a l j o u r n a lo fe l e c t r i c a l p o w e ra n de n e r g y s ys t e m s ,２０２１,１２５:１０６４１１．[２]㊀Z HA N GC ,P E N G T ,N A Z I R M S ．An o v e l h y b r i da p pr o a c hb a s e do nv a r i a t i o n a l h e t e r o s c e d a s t i c g a u s s i a n p r o c e s s r e Ｇg r e s s i o n f o rm u l t i Ｇs t e p a h e a dw i n d s p e e d f o r e c a s t i n g [J ]．I n t e r n a t i o n a l j o u r n a l o f e l e c t r i c a l p o w e r a n de n e r g y s ys t e m s ,２０２２,１３６:１０７７１７．[３]㊀D U A NJD ,WA N GP ,MA W T ,e t a l ．An o v e l h y b r i dm o d e l b a s e do nn o n l i n e a rw e i g h t e dc o m b i n a t i o n f o r s h o r t Ｇt e r m w i n d p o w e r f o r e c a s t i n g [J ]．I n t e r n a t i o n a l j o u r n a l o f e l e c t r i c a l p o w e r a n de n e r g y s ys t e m s ,２０２２,１３４:１０７４５２．[４]㊀D O N G Y ,Z HA N G H ,WA N G C ,e t a l ．S h o r t Ｇt e r m w i n d p o w e r p r e d i c t i o nb a s e do n p a r t i c l es w a r m o pt i m i z a t i o n Ｇe x Ｇ３３ 第２期苏忠德,等:基于C E E M D A N ＧI S S A ＧL S S VM 模型的短期风电功率预测Copyright ©博看网. All Rights Reserved.４３ 安㊀徽㊀工㊀程㊀大㊀学㊀学㊀报第３８卷t r e m e l e a r n i n g m a c h i n em o d e l c o m b i n e dw i t ha d a b o o s t a l g o r i t h m[J]．I E E Ea c c e s s,２０２１,９:９４０４０Ｇ９４０５２．[５]㊀M E N G AB,C H E NS,O UZ H,e t a l．Ah y b r i dd e e p l e a r n i n g a r c h i t e c t u r e f o rw i n d p o w e r p r e d i c t i o nb a s e do nb iＧa t t e nＧt i o nm e c h a n i s ma n d c r i s s c r o s s o p t i m i z a t i o n[J]．E n e r g y,２０２２,２３８:１２１７９５．[６]㊀岳晓宇,彭显刚,林俐．鲸鱼优化支持向量机的短期风电功率预测[J]．电力系统及其自动化学报,２０２０,３２(２):１４６Ｇ１５０．[７]㊀L IL L,L I U ZF,T S E N G M L,e t a l．U s i n g e n h a n c e dc r o ws e a r c ha l g o r i t h m o p t i m i z a t i o nＧe x t r e m e l e a r n i n g m a c h i n e m o d e l t o f o r e c a s t s h o r tＧt e r m w i n d p o w e r[J]．E x p e r t s y s t e m sw i t ha p p l i c a t i o n s,２０２１,１８４:１１５５７９．[８]㊀L A HO U A R A,S L AMAJBH．H o u rＧa h e a dw i n d p o w e r f o r e c a s t b a s e d o n r a n d o mf o r e s t s[J]．R e n e w a b l e e n e r g y,２０１７,１０９:５２９Ｇ５４１．[９]㊀D A G D O U G U I,HA N A N E,B A G H E R I,e t a l．N e u r a l n e t w o r k m o d e l f o r s h o r tＧt e r ma n dv e r yＧs h o r tＧt e r ml o a df o r e c a sＧt i n g i nd i s t r i c t b u i l d i n g s[J]．E n e r g y a n db u i l d i n g s,２０１９,２０３:１０９４０８．[１０]杜颖,卢继平,李青,等．基于最小二乘支持向量机的风电场短期风速预测[J]．电网技术,２００８(１５):６２Ｇ６６．[１１]张涛,孙晓伟,史苏怡,等．基于Q P S OＧL S S VM的风电场超短期功率预测[J]．中国电力,２０１６(３):１８３Ｇ１８７．[１２]雷炳银,王子驰,苏雨晴,等．基于E E M DＧC SＧL S S VM的短期负荷预测方法研究[J]．电力系统及其自动化学报,２０２１,３３(９):１１７Ｇ１２２．[１３]刘长良,吴家佳．基于核极端学习机的短期风电功率预测研究[J]．热能动力工程,２０１７,３２(１):９５Ｇ１００,１２５．[１４]程启明,陈路,程尹曼,等．基于E E M D和L SＧS VM模型的风电功率短期预测方法[J]．电力自动化设备,２０１８,３８(５):２７Ｇ３５．[１５]姜贵敏,陈志军,李笑竹,等．基于E E M DＧA C SＧL S S VM的短期风电功率预测[J]．太阳能学报,２０２０,４１(５):７７Ｇ８４．[１６]T O R R E S M E,C O L OM I N A S M A,S C H L O T T HA U E R G,e t a l．Ac o m p l e t e e n s e m b l e e m p i r i c a lm o d e d e c o m p o s i t i o n w i t ha d a p t i v en o i s e[C]//２０１１I E E EI n t e r n a t i o n a l C o n f e r e n c eo nA c o u s t i c s,S p e e c ha n dS i g n a lP r o c e s s i n g(I C A S S P), M a y２２Ｇ２７,２０１１,P r a g u e,C z e c hR e p u b l i c:４１４４Ｇ４１４７．[１７]M I R J A L I L I S E Y E D A L I,G A N D OM IAM I R H,M I R J A L I L IS E Y E D E H Z A H R A,e t a l．S a l p s w a r ma l g o r i t h m:ab i oＧi n s p i r e do p t i m i z e r f o r e n g i n e e r i n g d e s i g n p r o b l e m s[J]．A d v a n c e s i ne n g i n e e r i n g s o f t w a r e,２０１７,１１４:１６３Ｇ１９１．[１８]张达敏,陈忠云,辛梓芸,等．基于疯狂自适应的樽海鞘群算法[J]．控制与决策,２０２０,３５(９):２１１２Ｇ２１２０．[１９]焦晓璇,景博,李娟,等．基于A D E GWOＧS VM的机载燃油泵寿命预测研究[J]．仪器仪表学报,２０１８,３９(８):４３Ｇ５２．[２０]E l i aW i n dＧP o w e rG e n e r a t i o nD a t a[E B/O L]．[２０２１Ｇ１２Ｇ１０]．h t t p s://w w w．e l i a．b e/e n/g r i dＧd a t a/p o w e rＧg e n e r a t i o n/w i n dＧp o w e rＧg e n e r a t i o n．S h o r tＧt e r m W i n dP o w e rP r e d i c t i o nB a s e d o nC E E MD A NＧI S S AＧL S S V MS UZ h o n g d e,L U H u a c a i∗,W E IL i s h e n g(K e y L a b o r a t o r y o fE l e c t r i cD r i v e a n dC o n t r o l o fA n h u i P r o v i n c e,A n h u i P o l y t e c h n i cU n i v e r s i t y,W u h u２４１０００,C h i n a)A b s t r a c t::I no r d e r t o i m p r o v e t h e a c c u r a c y o fw i n d p o w e r p r e d i c t i o n,a s h o r tＧt e r m w i n d p o w e r c o m b i n aＧt i o n p r e d i c t i o nm e t h o db a s e do nc o m p l e t ee n s e m b l ee m p i r i c a lm o d ed e c o m p o s i t i o n w i t ha d a p t i v en o i s e (C E E M D A N),i m p r o v e d s a l p s w a r ma l g o r i t h m(I S S A)a n d l e a s t s q u a r e s s u p p o r t v e c t o rm a c h i n ew a s aＧd o p t e d．F i r s t l y,C E E M D A Ni s u s e d t od e c o m p o s e t h e p o w e r d a t a i n t o s e v e r a l i n t r i n s i cm o d e f u n c t i o n a n d a r e s i d u a l,a n d t h e i n p u t d i m e n s i o n i sd e t e r m i n e db yp a r t i a l a u t o c o r r e l a t i o n f u n c t i o n．T h e n,a n i m p r o v e d s a l p s w a r ma l g o r i t h mo p t i m i z e d l e a s t s q u a r e s u p p o r t v e c t o rm a c h i n e p r e d i c t i o nm o d e l w a s e s t a b l i s h e d t o p r e d i c t e a c hc o m p o n e n t．F i n a l l y,t h e p r e d i c t i o n r e s u l t sw e r e s u p e r i m p o s e d t oo b t a i n t h ew i n d p o w e r p r eＧd i c t i o n r e s u l t s．T h e s i m u l a t i o n r e s u l t s s h o wt h a t t h e p r o p o s e d s h o r tＧt e r m w i n d p o w e rm u l t iＧs t e pp r e d i cＧt i o nm o d e l h a s ah i g h e r p r e d i c t i o na c c u r a c y．K e y w o r d s:c o m p l e t e e n s e m b l e e m p i r i c a lm o d e d e c o m p o s i t i o nw i t h a d a p t i v e n o i s e;s a l p s w a r ma l g o r i t h m; l e a s t s q u a r e s s u p p o r t v e c t o rm a c h i n e;p a r t i a l a u t o c o r r e l a t i o n f u n c t i o n;m u l t iＧs t e pp r e d i c t i o nCopyright©博看网. All Rights Reserved.。
基于EEMD-HS-SVM的短期风功率组合预测模型
基于EEMD-HS-SVM的短期风功率组合预测模型姬广龙;袁越;黄俊辉;关志坚;吴涵;杨苏【摘要】随着电网中风电渗透率的逐年提高,对其出力进行精确预测是保障电网可靠运行的技术措施之一.文章建立了基于EEMD-HS-SVM短期风功率组合预测模型.采用EEMD分解技术对原始风功率序列做信息特征提取处理,将原始信号梯度化分解为一系列特征互异的本征模态函数,运用复杂统计理论体系下的样本熵作为特征,将特征相似的本征模态函数归类为尺度相异的新模态分量,根据新模态分量的局部特征与变化趋势,建立与之相对应的SVM预测模型.提出采用和声搜索算法优化SVM模型参数,有效改善了SVM算法存在的结构参数难以确定、训练效率低的不足.算例分析表明,EEMD-HS-SVM模型在风功率预测中具有较高的预测精度和预测效率.%With the increasing of the wind power in the grid,accurate prediction becomes one of the technical measures to ensure the reliable operation of the power grid. This paper proposed a forecasting model based on EEMD-HS-SVM. The EEMD decomposition technique can be used to decompose the original wind power sequence. The original signal is decomposed into a series of intrinsic mode function. This model uses sample entropy as features,then classifies similar feature intrinsic mode functions as new modal components. After all,according to the local characteristics and trend of new modal components,the prediction model is established individually. The harmony search algorithm is used to optimize the parameters of the SVM model,which effectively solved the problem of parameters choosing and training of SVM. Simulations of a testsystem show that the proposed EEMD-HS-SVM model has a higher prediction accuracy and efficiency in wind power prediction.【期刊名称】《可再生能源》【年(卷),期】2017(035)008【总页数】8页(P1221-1228)【关键词】短期风功率预测;集合经验模态分解;样本熵;和声搜索;支持向量机【作者】姬广龙;袁越;黄俊辉;关志坚;吴涵;杨苏【作者单位】河海大学能源与电气学院,江苏南京 210098;河海大学能源与电气学院,江苏南京 210098;国网江苏省电力公司经济技术研究院,江苏南京210008;国网江苏省电力公司经济技术研究院,江苏南京210008;河海大学能源与电气学院,江苏南京 210098;河海大学能源与电气学院,江苏南京 210098【正文语种】中文【中图分类】TK83由于风功率具有波动性大、非线性强的特点，风电大规模并网给电网电能质量和风险管理带来了挑战，增加了电网运行与控制的难度[1]。
一种基于EMD历史数据预处理的短期风电功率预测方法[发明专利]
![一种基于EMD历史数据预处理的短期风电功率预测方法[发明专利]](https://img.taocdn.com/s3/m/f4c8fa09aeaad1f347933f07.png)
专利名称：一种基于EMD历史数据预处理的短期风电功率预测方法
专利类型：发明专利
发明人：许爱东,文贤馗,雷金勇,陈建国,林呈辉,徐梅梅,申展,黄焘,郭晓斌
申请号：CN201410185596.7
申请日：20140505
公开号：CN104102951A
公开日：
20141015
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于EMD历史数据预处理的短期风电功率预测方法，所述方法在输入数据前将历史数值天气预报数据和历史风机观测功率数据中的不符合条件的样本数据剔除、并进行归一化处理；然后采用EMD分解算法得到训练样本，根据训练样本得到n个功率时间序列分量预测模型；最后将待测时刻的实际数值天气预报数据作为输入，分别输入至n个功率时间序列分量预测模型内，并将输出得到的n个功率时间序列分量预测值进行加权叠加，获得预测结果。
本发明在在输入数据前对冗余数据进行剔除，并通过将功率时间序列的按不同波动尺度分别进行精细化考虑，提高了对波动尺度较大的变化量的预测精度。
申请人：南方电网科学研究院有限责任公司,贵州电网公司
地址：510062 广东省广州市越秀区东风东路水均岗6、8号西塔1320楼
国籍：CN
代理机构：广州市南锋专利事务所有限公司
代理人：李永庆
更多信息请下载全文后查看。
基于EEMD-IGSA-LSSVM的超短期风电功率预测
基于EEMD-IGSA-LSSVM的超短期风电功率预测∗江岳春;杨旭琼;贺飞;陈礼锋;何钟南【摘要】In order to improve the prediction accuracy of the output power of the wind farm under the premise of ensuring safe operation,a combination of wind power forecasting model based on Ensemble Em-pirical Mode of Decomposition (EEMD),Improved Gravitational Search Algorithm (IGSA)and Least Squares Support Vector Machine (LSSVM)was established.Firstly,the wind power time series was de-composed into a series of subsequences with significant differences in complexity by using EEMD algo-rithm.Secondly, the decomposed subsequence was reconstructed by the phase space reconstruction (PSR),and then,an IGSA-LSSVM prediction model of each sub-sequence reconstructed was established respectively.In order to analyze the differences of LSSVM which sets up different kernel functions,eight kinds of kernel function LSSVM prediction models were established,and the IGSA algorithm was adopted to solve those models.Finally,taking a wind farm in Inner Mongolia of China as an example,the simula-tion and calculation results illustrate that LSSVM prediction model based on the exponential radial basis kernel function and penalty factor obtained by using the IGSA algorithm has higher prediction accuracy. Compared with five conventional combined models such as EMD-WNN and EMD-PSO-LSSVM,the com-bined model EEMD-IGSA-LSSVM of exponential radial basis kernel function mentioned above can forecast wind power in an effective and accurate way.%为了提高风电场输出功率的预测精度,在保证安全操作的前提下,建立了一种基于集合经验模态分解(EEMD)、改进引力搜索算法(IGSA)、最小二乘支持向量机(LSS-V M)相结合的风电功率组合预测模型。
基于EMD的LS-SVM短期风电功率预测研究
基于EMD的LS-SVM短期风电功率预测研究
黄峰;王睿;陈晓雷;游红
【期刊名称】《湖南工程学院学报:自然科学版》
【年(卷),期】2022(32)4
【摘要】风电的随机波动在并网后可能影响电网安全,为保证电网安全,需对风机的输出功率做出准确预测并及时采取措施.本文设计一种基于经验模态分解的最小二乘支持向量机短期风电功率预测算法.采用经验模态分解法对某台风机的实际功率数据进行处理、分解,得到稳定功率分量;并采用基于最小二乘支持向量机的功率预测算法对每一分量数据进行预测处理;最后将分量功率预测值按一定规律叠加、重组,得到优化风电功率预测值.测试结果表明,该算法与其他算法比较,预测误差更小,预测精度更高.
【总页数】5页(P1-5)
【作者】黄峰;王睿;陈晓雷;游红
【作者单位】湖南工程学院电气信息与工程学院;哈电风能有限公司
【正文语种】中文
【中图分类】TM714.1
【相关文献】
1.基于EMD-SC和AGSA优化支持向量机的超短期风电功率组合预测
2.基于EEMD和LS-SVM模型的风电功率短期预测方法
3.基于粒子群优化的LS-SVM短
期风电功率预测研究4.基于IEEMD与LS-SVM组合的短期风电功率多步预测方法5.基于EMD-SA-SVR的超短期风电功率预测研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于EEMDCAN的SVM短期风电功率预测
基于EEMDCAN的SVM短期风电功率预测谢碧霞; 林丽君; 白阳振【期刊名称】《《电力科学与工程》》【年(卷),期】2019(035)007【总页数】6页(P62-67)【关键词】集成经验模态分解; 粒子群算法; 支持向量机; 短期风电功率预测【作者】谢碧霞; 林丽君; 白阳振【作者单位】中国联合工程有限公司浙江杭州 310022; 中国能源建设集团浙江省电力设计院有限公司浙江杭州 310012【正文语种】中文【中图分类】TP3910 引言风电功率预测是风电电网能量管理的重要组成部分，风能的间歇性和随机性造成风电功率输出呈现很强的波动性[1]。
因此，准确的风电功率预测对电力系统的稳定运行以及合理调度具有重要作用。
风电功率时间序列是受随机因素影响的非平稳信号，预测精度很大程度上取决于对风电功率数据变化特性的分析。
傅里叶分解法、小波分解法和经验模态分解法(Empirical Mode Decomposition，EMD)都是常用的非平稳序列处理方法。
傅里叶分解法得到的子序列时域分辨率有待提高，自适应效果差[2]；小波分解法的分解能力与基函数的选取有关且分解结果含有残留噪声[3]；EMD利用自身信号驱动建立基函数，提高了时频分辨力，但是分解过程产生的模态混叠现象，降低准确性[4]。
集成经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)虽然通过加入白噪声抑制模态混叠现象，但其重构分量残留噪声较大[5]。
本文采用一种基于互补自适应噪声的集合经验模式分解算法[6]该方法对每一阶段的余量信号进行EMD分解获取各个模态分量，并在分解阶段添加正负噪声对，大大降低重构误差及筛选次数，提高分解效率。
基于单一的风电功率预测模型取得的预测效果往往难以达到最优，综合多种预测模型的优点构建组合预测模型是风电预测的一个重要研究方向[7]。
神经网络在处理复杂输入信息方面有很大的优势，但很大程度上取决于网络连接权初始值、阈值的选取[8]。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘 要 ： 于风 电存 在 着不确 定性 ， 电功 率预 测对 于接 入 大量 风 电 的 电力 系统 意 义 重 大 ． 了提 由 风 为
高风 电功 率 的预测精 度 ， 文建 立 了基 于经验模 式 分解 法 （ ＭＤ） 支持 向量机 （ ＶＩ 的复合 预 测 本 Ｅ 与 Ｓ ）
模型 ． 虑到 风 力机 组 的输 出有很 强 的非 线性 ， 考 该模 型首 先将 训 练数 据按 风 速 大 小分 成 高、 低 ３ 中、 组， 然后 对各 组 的风 电功 率样本序 列进行 经验 模 式分 解 ， 建立 各个频 带 分量 的支持 向量机 预 测模 并
Ｓ ｒ ｉ ｅ ｐｒ ｄ ｃ ｉ ｎ ｏ ｎ ｗｅ ａ ｅ ｎ ＥＭ Ｄ ｎ ＶＭ ｈｏ ｔｔｍ ｅ ｉｔｏ ｆｗｉ ｄ ｐｏ ｒ ｂ ｓ ｄ ｏ ａ ｄＳ
ＸＩ ＡＯ Ｙａｎ ａｉ Ｗ ＡＮＧ ｎ ｃ ， Ｐｅ ｇ ，ＨＡＮ ∞ ，Ｘ Ｕ ｕ ａｎ Ｓｈ ｙ ｇ
ｔ ｎ ｓ ｅｉｌ ｏ ｈ ｗｅ ｙ ｔｍ ｉｈ ｃ ｎ ａｎ ａｇ ｕ ｅ ｆｗｉｄ ｐ ｗｅ ．Ｉ ｒ ｅ ｏ ｒｉｅ ｉ ，ｅｐ ｃａｌ ｆｒｔ ｅｐ ｏ ｙ ｏ ｒｓ ｓｅ ｗｈ ｃ ｏ ｔ ｉｓａｌｒ ｅｎ ｍｂ ｒｏ ｎ ｏ ｒ ｎｏ ｄ ｒｔ ａｓ
ｔｅ ｃｕａｙｏ ｎ ｏ ｒ ｒｄｃｉ ， ｏ ｏ ｎ ｒｄｃｉｎｍｏ ｅ ｗ ｉ ａｅ ｎＥ ｈ ｃ ｒｃ ｆ ａ ｗｉｄｐｗｅ ｅ ｉ ｏ ａｃｍｐ ｕ ｄｐｅ ｉ ｏ ｄ ｌ ｈｃ ｂ ｓｄｏ ＭＤ（ｍｐｒ ａ ｐ ｔｎ ｔ ｈ ｅ ｉ ｃｌ ｉ
（ ．ｃｏｌ ｆ ｃａ ｉ ｌＥｅｔ ｎｃａｄＣ ｎｒｌ ｎ ｉ ｅｉ ， ｅｉｇＪ ｏｏ ｇＵｎｖｒ ｔ， ｅ ｉ ０ ０ ４ Ｃ ｉａ １Ｓ ｈｏ ｏ ｈｎｃ ， ｌ ｒ ｉ ｎ ｏ ｔ ｇｎ ｒ ｇ Ｂ ｉ ｉ ｔ ｉ ｓ ｙ Ｂ ｉｎ １０ ４ ， ｈ ； Ｍｅ ａ ｃ ｏ ｏＥ ｅ ｎ ｊ ｎ ａ ｎ ｅｉ ｊｇ ｎ ２ Ｇ ｉ Ｃ ｎｒｌ ｒｎｈ Ｎ ＲＩ ｅｈ ｏ ｇ ｖｌｐ ｎ ｏ ，Ｌｄ ， ＠ ｎ １ ０ ， ｈｎ ； ． ｒ ｏ ｔ ａｃ ， Ａ ｃｎ ｌ ｙ ｄ ｏＢ Ｔ ｏ Ｄｅｅ ｍｅｔ ． ｔ．Ｎａ ｇ２ ０ ６ Ｃ ｉ ｏ Ｃ ａ ３ Ｓｈ ｌ ｆ ｉ ｃ ， ａｊ ｏｙｅｈ ｉ Ｕｎｖｒ ｔ， ｉ ｊ ０ ３ ７ Ｃ ｉ ） ． ｏ ｅ ｅ Ｔｉ ｉ Ｐ ｌｔ ｎｃ ｉ ｓｙ Ｔ ａ ｉ ３０ ８ ， ｈｎ ｃ ｏＳ ｎ ｃ ｎｎ ｃ ｅｉ ｎｎ ａ
型， 各模 型 的预 测 结果 等权 求和 即得 到 最终 的功 率预 测值 ． 用风 电场现 场 采 集数 据 的预 测结 果 ， 使
验证 了该方 法的 可行性 和 有效性 ．
关键 词 ： 电功 率 ； 测 ； 风 预 支持 向量机 ； 经验 模 式分解法
中图分 类号 ： ＴＭ６ ４ １ 文献标 志 码 ： Ａ
ｍｏ ｅｄｃｍｐ ｓ ｉ ） ｎ ＶＭ（ｕ ｐ ｒ ｖｃｏ ｃ ｉｅ ｗａ ｕｌ Ｃ ｎｉｅｉ ｅ ｒａ ｏ ｌ ｅｒ ｙ ｄ ｅｏ ｏ ｉｏ ａ ｄＳ ｔｎ ｓｐ ｏ ｔ ｅｔｒ ｍａｈｎ ） ｓ ｉ ． ｏ ｓ ｒ ｇｔ ｅｔ ｎｉ ａｉ ｂ ｔ ｄ ｎ ｈｇ ｎ ｎ ｔ
ｏ ｎ ｕ ｂｎ ｅ ｅａｏｓｏ ｔｕ ｓ ｈ ｒｉｉ ｇ ｄ ｔ ｒ ｉｉ ｅ ｎ ｏ ｔ ｒ ｅｇ ｏ ｐ ｎ ｔ ｅ ｂ ｓｓｏ ｆｗｉｄ ｔ ｒ ｉｅｇ ｎ ｒｔ ｒ ｕ ｐ ｔ ，ｔ ｅｔａｎｎ ａａ ｗｅｅ ｄｖ ｄ ｄ ｉｔ ｈ ｅ ｒ ｕ ｓｏ ｈ ａｉ ｆ ｗ ｉｄ ｓ ｅ ｄ ｎ ｈ ｎ ｏ ｒｓｒｅ ｒ ｅｏ ｏ ｅ ｎ ｏ ｓｖ ｒ ｌｓｑ ｅ ｃｓｉ ｉ ｅ ｅ ｔｂ ｎ ｙ ｎ ｐ ｅ ，ａ ｄ ｔ ｅ ｗｉ ｄ ｐ ｗｅ ｅｉｓｗｅｅ ｄ ｃ ｍｐ ｓ ｄ ｉｔ ｅ ｅａ ｅ ｕ ｎ ｅ ｎ ｄｆ ｒｎ ａ ｄ ｂ ｆ ＥＭ Ｄ．Ｂ ｕｌｉｇ ｄｆ ｒｎ ＶＭ ｒ ｄｃｉｎｍｏ ｅ，ｔ ｅｄ ｃ ｍ ｐ ｓｄｓｍ ｐｅｓｒｅ ｒ ｒｄｃｅ ｅ — ｙ ｂ ｉ ｎ ｉ ｅ ｅ ｔＳ ｄ ｆ ｐ ｅ ｉｔ ｄ ｌ ｈ ｅ ｏ ｏ ｅ ａ ｌ ｅｉｓｗｅｅｐ ｅ ｉｔｄ ｓｐ ｏ ａａｅｙ ｈ ｎ ｔ ｅｆｎ ｌ ｅｕ ｔ ｒ ｏ ｙ ａ ｄｎ ｖ ｒ ｒ ｄｃｅ ｅｕｔｅ ｕ ｌｒｇ ｔ ．Ｔｈ ｅｓｂｌ ｙ ｒｔｌ ，ｔｅ ｈ ｉａ ｓ ｌ ｗｅｅｇ ｔｂ ｄ ｉｇ ｅ ｅ ｙ ｐ ｅ ｉｔｄ ｒｓ ｌ ｑ ａ ｉｈ ｓ ｒ ｓ ｅｆａｉｉｔ ｉ ａ ｄ ｅｆｃｉｅ ｅｓｏ ｈｓｍｏ ｅ ｗｅｅ ｐｏ ｅ ｙ ｔ ｅｒ ｓ ｌ ｆｐ ｅ ｉｔ ｇ ｔ ｅ ｒａ ａａｗｈ ｃ ｒ ｏ— ｎ ｆｅ ｔ ｎ ｓ ｆ ｉ ｖ ｔ ｄ ｌ ｒ ｒｖ ｄ ｂ ｈ ｅ ｕｔ ｏ ｒｄｃｉ ｈ ｅ ｌｄ ｔ ｉｈ ｗｅｅｃ ｌ ｓ ｎ
ｇ ．Ｂｕ ｈ ｒ ｎ ｅ ｔ ｉ ｔ ｎ ｏ ｒ Ｏ ｉ ｉ ａ ｔｃ ｅ ｒ ａ ｉｎ ｆ ａ ｃ ｏ ｗｉ ｄ ｐ ｗｅ ｒ ｄ ｃ Ｙ ｔｔ ｅ ｅ ｉ ｕ ｃ ｒａ ｎ ｙ ｉ ｗｉ ｄ ｐ ｗｅ ，Ｓ ｓ ｔａ ｈ ｄ ｇ ｅ ｔｓ ｉ ｃ ｎ ｅ ｔ ｎ ｓ ｎ ｔ ｇ ｉ ｏ ｒ ｐ ｅ ｉ—
第３ ６卷 第 ４期
２１ ０ ２年 ８月
北
京
交
通
大
学
学
报
！ 巡 ！
Ｖ０ ． ６ ＮＯ ４ １３ ．
ＡＬ ０Ｆ ＥＵＩ Ｂ ＮＧ Ｉ ＪＡ０ＴＱ
文章 编 号 ：６ ３０ ９ （０２ ０ —１９０ １ ７ —２ １２ １ ）４０ ３ —５
基于 Ｅ ＭＤ 与 Ｓ ＶＭ 的 风 电 功 率 短 期 预 测
Ａｂ ｔａ ｔ Ａｓａｃｅ ｎｒ ｎ ｗａ ｌ ｎ ｒ ｙ ｓｒ ｃ ： ｌａ ｅ ｅ ｂｅｅ ｅ ｇ ，ｗｉｄ ｐ ｗｅ ａ ｔｏ ｄ ａ ｔｇ ｉｈ ｉ ｂ ｙ ｎ ｏｓｌ ｎ ｒ ｎ ｏ ｒｈ ｓａｌ ｆ ｖ ｎａ ｅｗｈ ｃ ｅ ｏ ｄｆ ｓｉｅ ｅ— ｏ ａ ｓ
肖燕彩 王 鹏 韩 肖２徐叔 阳３ ， ， ，
（． １ 北京交通大学 机械与 电子控制 工程学 院 ， 北京 １ ０ ４ ； ０ ０ ４ ２ 国电南瑞科 技股 份有限公 司 电网控制分公 司 ， ． 南京 ２ ０ ６ ； ． １０ １３ 天津工业大学 理学 院， 天津 ３０ ８ ） ０ ３ ７