[发明专利]一种基于支持向量机的风电场风速预测方法

说明书

技术领域

本发明属于风能预测领域，尤其涉及一种基于支持向量机的风电场风速预测方法。

背景技术

在能源危机日益严重的今天，新能源的开发利用受到越来越多的关注。在这些新能源中，风力发电更是得到了广泛应用。近来，国内对风能预测相关课题己取得了不少研究成果。关于风电场风速或者风电功率预测的研究虽然不多，但也有少数机构学者开始研究。这些机构多与电力系统相关，并且做的是一些大方向的研究。风电功率的随机性，给电力系统运营带来了一系列问题，当大规模的风电场并入电网时，更是给电网的安全和稳定带来了极大的负担。为了解决该问题，提出了风电场风速和风电功率预测。其中风速预测为风电功率的间接预测方式，通过对风电场风速的预测，能降低风电功率的随机性，从而可有效缓解风电场给电力系统造成的不利影响，但是基于单一的风速预测模型的预测精度有提升空间有限的缺陷。

于是本发明根据对支持向量机和组合预测模型的研究，利用它们的算法优点，提出了基于一种改进的支持向量机一一最小二乘支持向量机的组合预测模型。利用组合预测模型可综合各单项预测模型的信息，并且最小二乘支持向量机能简化、优化组合预测模型。该组合模型采用持续预测法，神经网络算法，以及基于时间序列和卡尔曼滤波的混合算法的风速预测值作为输入，实际风速值作为输出，并建立了线性组合预测模型，且以此为参照来分析基于最小二乘支持向量机的组合预测模型的预测性能。各模型的预测性能，采用预测平均绝对误差、平均平方误差、平均绝对百分比误差三个误差指标来比较分析。模拟风速数据进行仿真，利用各模型对风速进行短期预测，证明了基于最小二乘支持向量机的风速组合预测模型的有效性。仿真试验表明，组合预测模型可进一步提升风速预测精度，而且相较于传统线性组合预测模型，基于最小二乘支持向量机的组合预测模型具有比较大的精度优势。

发明内容

为了解决上述问题，本发明提出了一种基于支持向量机的风电场风速预测方法，其步骤为：

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。

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。

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。

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：