本发明涉及一种基于组合支持向量机的风电场短期风速预测方法,属于风电场风速预测领域。
背景技术:
风电作为一种可再生清洁能源,近几年来在我国得到大规模发展,同时,风力发电所具有的随机性、间歇性和波动性对电网的稳定和经济运行带来安全隐患。准确的风电功率预测可以为电力调度提供重要依据,有效减轻风电对电网的影响。由于风电功率与风速有直接确定的关系,风电功率预测可在风速预测的基础上实现,所以准确的风电场风速预测十分重要。但由于风速自身的非平稳性和随机性,使得现有的技术手段对其分钟级别的短期预测精度不高。组合预测可以利用不同的单项模型所包含的信息,减少和分散单项预测模型的近似性和不确定性,降低整体预测误差,是短期风速预测的研究热点。
经对现有技术的公开文献检索发现,在短期风速组合预测方法中,对各单项模型的选取主要集中于bp神经网络、rbf神经网络、小波神经网络等,但神经网络基于局部搜索,容易陷入局部最优,出现过拟合现象;泛化能力有限。对单项模型预测结果的组合方法主要采用的是线性加权法或非线性加权法,这些方法权值固定,不能适应风速变化,使风速预测精度受限。可见,在风电场短期风速的组合预测方法中,对单项模型和组合方式的选择上都有改进的空间,以进一步提高预测精度。
技术实现要素:
本发明的目的在于提供一种步骤明确、结果可靠的风电场短期风速组合预测方法,解决风电场风速序列的随机性和不平稳性导致的短期风速预测精度不高的问题。
一种基于组合支持向量机的风电场短期风速预测方法,通过风速仪或者风速传感器设备实测风电场的风速数据,获得原始风速序列;分析原始风速序列的混沌特性,用c-c算法计算风速序列的嵌入维数m和延迟时间τ,依据m和τ构建预测模型的输入输出数据集,把数据集分成训练集和验证集;在所述训练集上建立基于不同核函数的支持向量机单项预测模型,并用综合学习策略粒子群优化算法确定各支持向量机模型的关键参数;在所述验证集上采用基于诱导有序加权调和平均算子的变权系数组合预测法确定各单项模型的权系数,用所述基于不同核函数的支持向量机单项预测模型分别对预测时刻的风速进行预测,对各单项模型预测结果加权求和,得到一步风速预测结果。
优选地,当新的采样时刻到来后,所述验证集根据新采样的实测风电场的风速数据滚动更新,在所述验证集上采用基于诱导有序加权调和平均算子的变权系数组合预测法确定各单项模型的权系数,用所述基于不同核函数的支持向量机单项预测模型分别对预测时刻的风速进行预测,对各单项模型预测结果加权求和,组合预测下一时刻风速值。
优选地,当新的采样时刻到来后,通过风速仪或者风速传感器设备实测风电场的风速数据,获得更新后的风速序列;分析更新后的风速序列的混沌特性,用c-c算法计算风速序列的嵌入维数m和延迟时间τ,依据m和τ构建预测模型的输入输出数据集,将所述验证集根据新采样的实测风电场的风速数据滚动更新。
优选地,所述用c-c算法计算风速序列的嵌入维数m和延迟时间τ,在于进行相空间重构,并根据嵌入维数m和延迟时间τ确定各单项模型的输入输出数据集,把数据集分成训练集和验证集。
在采取本发明提出的技术后,根据本发明实施例的基于组合支持向量机的风电场短期风速预测方法,基于不同核函数的支持向量机模型作为组合预测的单项模型,使各单项模型在具备更强的泛化能力的同时,还能够保证单项模型之间的差异性;验证集跟随采样时刻滚动更新,各单项模型的权重系数根据各模型在验证集上的预测精度自适应变化,为预测时刻的风速预测提供组合权重,使短期风速组合预测精度进一步提高。
在采取本发明提出的技术后,根据本发明实施例的基于组合支持向量机的风电场短期风速预测方法,选择具有不同核函数的支持向量机作为单项模型,支持向量机基于结构风险最小化准则,与神经网络相比,具备出色的泛化能力和全局寻优能力,同时,不同的核函数可以保证各单项模型之间的差异性;组合预测方法采用基于诱导有序加权调和平均算子的变权系数组合,不同预测时刻各单项模型加权系数不同,以适应风速序列的变化。本发明的预测方法进一步提高了短期风速预测精度,具有实用性。
在采取本发明提出的技术后,根据本发明实施例的基于组合支持向量机的风电场短期风速预测方法,根据风速序列的混沌特性重构相空间,确定了更为合理的模型输入向量;单项模型选择基于不同核函数的支持向量机模型,保证了组合预测中各单项预测模型之间的差异性;组合加权系数根据单项模型预测精度自适应变化,提高了组合预测精度。本发明适用于风电场风速预测领域,具有预测精度高的特点。
附图说明
图1为一种基于组合支持向量机的风电场短期风速预测方法流程图;
图2为单项支持向量机风速预测模型图;
图3为预测风速与实际风速的比较图。
具体实施方式
下面将参照附图对本发明的各个优选的实施方式进行描述。提供以下参照附图的描述,以帮助对由权利要求及其等价物所限定的本发明的示例实施方式的理解。其包括帮助理解的各种具体细节,但它们只能被看作是示例性的。因此,本领域技术人员将认识到,可对这里描述的实施方式进行各种改变和修改,而不脱离本发明的范围和精神。而且,为了使说明书更加清楚简洁,将省略对本领域熟知功能和构造的详细描述。
如图1所示,一种基于组合支持向量机的风电场短期风速预测方法,具体步骤如下:
1.通过风速仪或者风速传感器设备实测风电场的风速数据,获取实际风速序列为31天的10分钟采样风速数据,共4464个数据。选择前30天共4320个样本点,采用本发明的方法建立组合预测模型;选择第31天的数据共144个样本点作为预测集,以检验预测精度。
2.分析原始风速序列的混沌特性,用c-c算法计算风速序列的嵌入维数m和延迟时间τ,依据m和τ构建预测模型的输入输出数据集,并将输入输出数据集分成训练集和验证集。步骤如下:
2.1对风速序列x={x1,x2,...x4320}用c-c算法计算得出其嵌入维数m=4,延迟时间τ=43。
2.2用小数据量法计算李雅普诺夫指数λ=0.3877>0,可知风速序列具有混沌特性。
2.3根据步骤2.1得出的嵌入维数和延迟时间对风速时间序列进行混沌相空间重构,得到支持向量机的输入向量为
xi(i)=[x(i),x(i+43),x(i+86),(i+129)]i=1,…,4190
输出为
y(i)=x(i+130)i=1,…,4190
2.4确定训练集为{xi(i),y(i)}i=1,2,...,3470,验证集为{xi(i),y(i)}i=3471,3472,...,4190。
3.在步骤2得出的训练集上,建立基于不同核函数的支持向量机作为单项预测模型以保证单项模型之间的差异性,对各模型的参数用综合学习策略粒子群算法寻优选取以保证各单项模型的精确性。本实施例中分别建立基于高斯径向基核函数、指数型径向基核函数、多项式核函数、多层感知机核函数和线型核函数的支持向量机模型,单项支持向量机模型如图2所示,并对各模型的参数用综合学习策略粒子群算法寻优。
4.在验证集上,采用基于诱导有序加权调和平均算子的变权系数组合预测法确定各单项模型的权系数,且验证集和加权系数跟随风速采样时刻滚动更新。最后对预测时刻的各单项模型预测结果加权求和,计算出预测时刻风速值即得到风速预测结果。具体步骤如下:
4.1用步骤3建立的五个支持向量机模型对验证集上3471~4190共n=720个采样点上的风速数据分别预测,预测值记为xit,代表第i种预测方法第t时刻的预测值,i=1,2,…,5,t=1,2,…,n;计算每个模型在每个预测点上预测精度,记为pit,代表第i种预测方法第t时刻的预测精度,i=1,2,…,5,t=1,2,…,n;设l=(l1,l2,l3,l4,l5)t为五种单项预测在组合预测中的加权系数,它满足归一性和非负性。
4.2把预测精度pit看成是预测值xit的诱导值,将五种单项预测方法第t时刻预测精度序列p1t,p2t,p3t,p4t,p5t按从大到小的顺序排列,设p-index(it)为第i大的预测精度的下标,定义iowha为诱导有序加权调和平均算子,即由预测精度序列所产生的第t时刻的组合预测值,如下式。可见,组合预测的权系数与各单项预测方法在某一时刻上的预测精度大小密切相关。
4.3令训练集上n期总的组合预测倒数误差平方和f最小,求解下式的最优化问题,就可得到各权重值l。
4.4用各单项模型分别计算出下一时刻的风速预测值,记为xi,按下式计算得出下一时刻的组合预测值
4.5当得到最新采样时刻的实际风速后,再根据离预测点最近的n个采样点确定新的验证集,按照步骤4.1~4.4计算得到新的权重,再进行下一预测时刻的组合预测。可见,各预测点的权重是根据最新的风速采样数据自适应变化,隐含最新的风速信息,有利于提高预测精度。
4.6预测得到第31天144个数据点,与实际风速采样值比较,如图3所示得到预测风速与实际风速的比较图。
根据本发明实施例的基于组合支持向量机的风电场短期风速预测方法,基于不同核函数的支持向量机模型作为组合预测的单项模型,使各单项模型在具备更强的泛化能力的同时,还能够保证单项模型之间的差异性;验证集跟随采样时刻滚动更新,各单项模型的权重系数根据各模型在验证集上的预测精度自适应变化,为预测时刻的风速预测提供组合权重,使短期风速组合预测精度进一步提高。
根据本发明实施例的基于组合支持向量机的风电场短期风速预测方法,选择具有不同核函数的支持向量机作为单项模型,支持向量机基于结构风险最小化准则,与神经网络相比,具备出色的泛化能力和全局寻优能力,同时,不同的核函数可以保证各单项模型之间的差异性;组合预测方法采用基于诱导有序加权调和平均算子的变权系数组合,不同预测时刻各单项模型加权系数不同,以适应风速序列的变化。本发明的预测方法进一步提高了短期风速预测精度,具有实用性。
根据本发明实施例的基于组合支持向量机的风电场短期风速预测方法,根据风速序列的混沌特性重构相空间,确定了更为合理的模型输入向量;单项模型选择基于不同核函数的支持向量机模型,保证了组合预测中各单项预测模型之间的差异性;组合加权系数根据单项模型预测精度自适应变化,提高了组合预测精度。本发明适用于风电场风速预测领域,具有预测精度高的特点。
以上对本发明进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可实施。当然,以上所列的情况仅为示例,本发明并不仅限于此。本领域的技术人员应该理解,根据本发明技术方案的其他变形或简化,都可以适当地应用于本发明,并且应该包括在本发明的范围内。