基于SVR異常值檢測(cè)和VMD分解的GRNN和Markov聯(lián)合模型在風(fēng)速預(yù)測(cè)中的應(yīng)用.pdf

1、建立模型的優(yōu)劣基于所搜集數(shù)據(jù)的質(zhì)量。由于各種不確定因素的影響，數(shù)據(jù)一般都存在異常值，所以對(duì)數(shù)據(jù)進(jìn)行異常值檢測(cè)是十分必要的。此外，對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行分解也是比較常用的一種數(shù)據(jù)預(yù)處理方法，分解后的子序列能夠反映出數(shù)據(jù)的不同特征，可為數(shù)據(jù)的進(jìn)一步分析提供準(zhǔn)確的信息。
　　本文以風(fēng)速作為研究對(duì)象。一方面，風(fēng)力資源是清潔能源，另一方面，風(fēng)力資源為風(fēng)能發(fā)電提供了充足的來源，屬于可持續(xù)能源，所以對(duì)風(fēng)速的預(yù)測(cè)就顯得十分重要。本文基于西班牙Sota

2、vento Galicia風(fēng)場(chǎng)的風(fēng)速數(shù)據(jù)，首先運(yùn)用支持向量機(jī)回歸（Support Vector Regression,SVR)方法對(duì)原始數(shù)據(jù)進(jìn)行異常值檢測(cè)。然后運(yùn)用變分模態(tài)分解（Variational Mode Decomposition,VMD)方法，對(duì)剔除異常值后的序列進(jìn)行分解。接下來運(yùn)用廣義回歸神經(jīng)網(wǎng)絡(luò)（Generalized Regression Neural Network,GRNN)對(duì)分解后的子序列分別進(jìn)行預(yù)測(cè)。最后將所有子