[发明专利]一种基于支持向量机的风电场风速预测方法

权利要求书

1.一种基于支持向量机的风电场风速预测方法，其特征在于，所述方法的步骤为

步骤1:对所选数据进行检验，对其进行适当的修补处理，并且对所选样本数据做归一化操作；构造风速样本集，形成历史风速序列数据；

步骤2:根据构造的风速样本集，分别建立单项预测模型，并计算风速预测中的预测平均绝对误差、平均平方误差、平均绝对百分比误差三个误差评价指标；

步骤3：对于步骤2中的各单项预测模型，利用模糊层次分析法计算权重，选取权重排序靠前的n种单项预测模型参与组合预测；n可取为3；

步骤4:建立基于最小二乘支持向量机的风速组合预测模型，采用n种单项预测模型的预测值作为风速组合预测模型的训练输入，实际风速作为风速组合预测模型的训练输出，构造单项预测模型预测值与实际值的内在函数关系，从而构建组合模型的风速样本；

步骤5:采用粒子群算法优化基于最小二乘支持向量机的风速组合预测模型中的惩罚因子C和核函数参数σ²，将最优的惩罚因子C和核函数参数σ²赋给支持向量机，并用步骤4中构建的风速样本对最小二乘支持向量机网络训练，建立优化的风速组合预测模型，分析和评价预测结果。

2.根据权利要求1所述的一种基于支持向量机的风电场风速预测方法，其特征在于，所述单项预测模型包括持续预测法、神经网络算法、基于时间序列和卡尔曼滤波的混合算法。

3.根据权利要求1所述的一种基于支持向量机的风电场风速预测方法，其特征在于，所述模糊层次分析法分析参与风速组合预测模型的各单项模型，构建多层次递阶结构，其总目标是风速组合预测模型中单项模型的选取，因素层为预测平均绝对误差、平均平方误差、平均绝对百分比误差3个评价指标，方案层为各单项预测模型。

4.根据权利要求1所述的一种基于支持向量机的风电场风速预测方法，其特征在于，步骤5中的具体过程为

粒子群算法首先在解空间中初始化一群粒子，每个粒子I都代表组合模型的惩罚因子C和核函数参数σ²的一个潜在最优解，用位置向量X_I＝(x_I1,x_I2,…x_In),速度向量V_I＝(v_I1,v_I2,…v_In)两个n维向量来表示，速度和位置更新方程为：

v_Id^k+1＝wv_Id^k+c₁rand₁^k(pbest_Id^k-x_Id^k)+c₂rand₂^k(gbest_Id^k-x_Id^k)x_Id^k+1＝x_Id^k+v_Id^k

式中，x_Id^k,v_Id^k表示粒子在地k次迭代中式中第d维的位置和速度；w表示权重；c₁,c₂表示学习因子，常均取2；rand₁^k，rand₂^k取[0，1]之间的随机数；pbest_Id^k表示粒子I个体极值在第d维的坐标；gbest_Id^k表示整个群体全局极值点在d维的坐标；经多次迭代后搜寻到适应度值最优位置，即为最优的惩罚因子C和核函数参数σ²。