[發(fā)明專利]基于優(yōu)化相關(guān)向量機(jī)的短期風(fēng)速預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201410406731.6
• 申請日: 2014-08-18
• 公開（公告）號: CN104239689B
• 公開（公告）日: 2017-11-21
• 發(fā)明（設(shè)計(jì)）人: 王輝;孫競璇;王繼龍;李浩松
• 申請（專利權(quán)）人: 華北電力大學(xué)
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 北京天達(dá)知識產(chǎn)權(quán)代理事務(wù)所(普通合伙)11386
• 代理人: 龔頤雯,白海燕

技術(shù)領(lǐng)域

本發(fā)明涉及風(fēng)速預(yù)測技術(shù)領(lǐng)域，特別涉及一種基于優(yōu)化相關(guān)向量機(jī)的短期風(fēng)速預(yù)測方法。

背景技術(shù)

風(fēng)力發(fā)電是一種清潔的可再生能源，開發(fā)利用相對簡單，因此越來越受到世界各國的重視。有效的風(fēng)速預(yù)測是風(fēng)力發(fā)電研究的基礎(chǔ)環(huán)節(jié)，是并網(wǎng)風(fēng)電場風(fēng)電功率預(yù)測預(yù)報(bào)系統(tǒng)建立和運(yùn)行的必要前提及保證。而風(fēng)速本身的隨機(jī)性和波動(dòng)性等特點(diǎn)，給風(fēng)速預(yù)測帶來了較大的困難。

目前，風(fēng)電場短期風(fēng)速預(yù)測常見的方法有時(shí)間序列法、卡爾曼濾波法(Kalman Filters，KF)以及人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks，ANN)、支持向量機(jī)(Support Vector Machine，SVM)等智能預(yù)測方法。時(shí)間序列預(yù)測法利用序列自身數(shù)據(jù)即可建立較高精度的預(yù)測模型，但存在低階模型預(yù)測精度偏低、高階模型參數(shù)估計(jì)難度偏大等不足。KF法的優(yōu)點(diǎn)是可以動(dòng)態(tài)修改預(yù)測權(quán)值，通過預(yù)測遞推方程獲得較高的預(yù)測精度，但卡爾曼狀態(tài)方程和測量方程建立較為困難。ANN具有自學(xué)習(xí)、自組織和自適應(yīng)能力，并具有較強(qiáng)的非線性映射能力，但最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)確定存在困難、參數(shù)選擇存在較大隨機(jī)性，并且模型存在過度擬合等問題。隨著對SVM研究的逐步深入，應(yīng)用SVM進(jìn)行風(fēng)速預(yù)測的研究也逐漸增加，并取得良好效果，但存在缺少概率因素、核函數(shù)的選取必須滿足Mercer條件等局限性，因此限制了其進(jìn)一步發(fā)展。

為克服現(xiàn)有技術(shù)的不足，本發(fā)明提出一種基于相關(guān)向量機(jī)(Relevance Vector Machine，RVM)的短期風(fēng)速預(yù)測方法。相關(guān)向量機(jī)是在SVM基礎(chǔ)上發(fā)展起來的一種新的機(jī)器學(xué)習(xí)方法，在負(fù)荷和功率預(yù)測、缺陷檢測圖像識別等領(lǐng)域展開了應(yīng)用研究并取得一定成果。小波變換(Wavelet Transform,WT)是進(jìn)行信號處理的有效工具，常用來對原始風(fēng)速數(shù)據(jù)序列進(jìn)行處。遺傳算法(Genetic Algorithm,GA)是一種基于自然選擇和遺傳規(guī)律的啟發(fā)式、并行全局搜索最優(yōu)方法，其主要源自于自然界的選擇和進(jìn)化理論，常用來解決目標(biāo)函數(shù)的多參數(shù)優(yōu)化問題。本發(fā)明首先應(yīng)用小波變換將原始風(fēng)速數(shù)據(jù)序列變換為概貌序列和細(xì)節(jié)序列，然后對各分解序列分別建立相關(guān)向量機(jī)模型，同時(shí)通過遺傳算法對各相關(guān)向量機(jī)核參數(shù)進(jìn)行優(yōu)化，輸出最佳預(yù)測模型并進(jìn)行滾動(dòng)預(yù)測，最后將各分解序列的預(yù)測值相加得到原始信號的最終預(yù)測值。

發(fā)明內(nèi)容

為了克服現(xiàn)有預(yù)測方法的不足，本發(fā)明公開了一種基于優(yōu)化相關(guān)向量機(jī)的短期風(fēng)速預(yù)測方法，該方法結(jié)構(gòu)緊湊，操作簡單，預(yù)測精度較高。

本發(fā)明公開了以下技術(shù)方案：

一種基于優(yōu)化相關(guān)向量機(jī)的短期風(fēng)速預(yù)測方法，其特征在于，該方法包括以下步驟：S1：數(shù)據(jù)準(zhǔn)備；S2：對準(zhǔn)備數(shù)據(jù)進(jìn)行預(yù)處理；S3：對預(yù)處理后的數(shù)據(jù)進(jìn)行小波變換；S4：對小波變換后的數(shù)據(jù)進(jìn)行歸一化處理；S5：基于PACF(偏自相關(guān)函數(shù)Partial-Correlations Function)對歸一化后數(shù)據(jù)進(jìn)行輸入變量的選擇；S6：在S5生成的RVM樣本空間上預(yù)測分解序列；S7：將各分解序列預(yù)測結(jié)果相加，得到短期風(fēng)速預(yù)測值。

較佳地，本發(fā)明所述的短期風(fēng)速預(yù)測方法，其中步驟S1具體為根據(jù)預(yù)測時(shí)間分辨率，將需要預(yù)測風(fēng)電場的歷史風(fēng)速數(shù)據(jù)用EXCEL表格導(dǎo)出并保存。

較佳地，本發(fā)明所述的短期風(fēng)速預(yù)測方法，其中步驟S2具體為對缺失、異常數(shù)據(jù)進(jìn)行處理。

較佳地，本發(fā)明所述的短期風(fēng)速預(yù)測方法，其中步驟S3具體為應(yīng)用小波變換對原始風(fēng)速時(shí)間序列進(jìn)行分解和重構(gòu)，從而得到一個(gè)概貌序列和若干個(gè)細(xì)節(jié)序列，以剔除序列的不規(guī)則波動(dòng)。

較佳地，本發(fā)明所述的短期風(fēng)速預(yù)測方法，其中步驟S4具體為對分解后的風(fēng)速進(jìn)行歸一化處理，所述歸一化處理公式如下所示：

公式(1)中，x_1i、分別表示數(shù)據(jù)歸一化前、后的值，y_1max、y_1min分別表示要?dú)w一化的映射區(qū)間的最大值1與最小值-1，x_1max、x_1min分別表示樣本數(shù)據(jù)中的最大、最小值。

較佳地，本發(fā)明所述的短期風(fēng)速預(yù)測方法，其中步驟S6具體還包括如下步驟：

S6.1：將樣本空間劃分為訓(xùn)練集和驗(yàn)證集；

S6.2：相關(guān)向量機(jī)模型選用徑向基核函數(shù)，所述徑向基核函數(shù)公式如下：