基于支持向量机回归的短期风速预测方法的研究.docVIP

基于支持向量机回归的短期风速预测方法的研究 　　摘 要：针对风力发电中的短期风速预测方法研究的不足，文章提出了一种基于支持向量机回归的短期风速预测方法和模型。提出的方法首先选取风电场采集的样本数据，进行预处理后，确定出样本训练集和测试集；在选择向量机核函数后，确定SVM模型待寻优参数，最后利用寻优的最佳参数来训练SVM模型，通过模型来预测未来某一时刻的风速值。文章提出的方法在风速负荷的预测精度和预测方法的收敛速度等方面都有了提高，该方法具有重要的现实意义和应用前景。 　　关键词：风力发电；支持向量机；寻优参数 　　1 概述 　　当前，风力发电对合理改善能源结构、合理保护生态环境、合理保障能源清洁安全和实现经济的可持续发展有着十分重要的意义，这已经成为世界的共同发展目标。但是，目前几乎大部分的风电机组输出功率都具有如下特点：具有间歇性、具有非线性、具有变化速度快、波动范围很大。想要实现风电的规模化发展，从而优化电网的调度，加强风电市场的竞争力和活力，那么风电场就必须开展风电功率预测的预报和预警，必须具备日预报甚至实时预报能力[1]。因此，对风电场的风速预测，尤其是超短期、短期预测，可以有效的改善风电并网对电力系统的影响，对发电场制定更合理的发电规划具有重要作用。短期风速预测是风电并网中的关键技术，并发挥重要的作用，如何制定合理的短期风速预测模型，研究出短期风速预测方法是亟需解决的问题，并且也具有广阔的市场前景和应用前景[2-3]。 　　文章的目的在于针对现有短缺风速预测方法存在的问题，提出了一种基于支持向量机回归的短期风速预测方法和模型。在短缺风速的预测精度和预测方法的收敛速度等方面都有了提高，该方法具有重要的现实意义和应用前景。 　　2 基于改?M的支持向量机回归的方法 　　针对短缺风速预测的特点，提出了一种基于改进的支持向量机回归的方法，具体流程如图1所示。 　　（1）初始化。首先设定参数节点集大小m、最大搜索代数Kmax、临时局部网络的值Ni、连接搜索概率值Ps和节点邻域值l，将搜索代数的初值kg设置为1，最后设置随机产生初始值个数有关的值M，C、？滓的搜索范围。 　　（2）评价优化空间中的各个网络节点。定义适应度函数F，首先在随机产生的实数编码节点集中选取m个优节点作为网络初始节点，适应度函数F为设定的初始最优值。通常节点的适应度函数值越大，就越接近最优节点。 　　（3）进行局部搜索和全局搜索。对某一初始节点进行Ni次小世界局部搜索和全局搜索操作，这样可以构造出该初始节点的临时局部网络，然后输出节点的临时局部网络的最优值。 　　（4）确定C、？滓的最优值。比较m个节点各自的最优值，然后比较每一次迭代的最优值，确定通过小世界搜索算法，得到参数C、？滓寻优的最终结果。 　　（5）迭代搜索。判定搜索代数kg是否大于Kmax，评价值是否小于给定精度，如果满足条件，则结束寻优操作。不满足条件，返回步骤3，继续进行迭代操作。 　　（6）将C、？滓的最优节点值赋给SVM模型，从而得到SVM的最终回归函数。 　　3 短期风速预测模型的建立 　　利用上一节提出的基于改进的支持向量机回归的方法，确定了短期风速预测模型。模型具体操作步骤如下 　　（1）选取风电场采集的样本数据。文章中，风电场数据的采集是在风电场的关键位置点设立多个测风塔，选取风电机组输出的未来10分钟到1小时的风速数据进行实时预测，时间间隔为10分钟。因此要对风电机组的性能特性进行分析，文章选用风机采样间隔为10分钟的环境温度、风速和输出功率作为历史数据。 　　（2）确定样本的训练集和测试集：将采集的样本集，用N×3的矩阵表示，其中3列分别代表环境温度、风速、输出功率，然后搭建回归预测模型。通过多次的仿真实验，文章用5天900个数据作为SVM模型的训练集，其中风力发电机组的输出功率的定义如公式1所示： 　　其中PS为风力发电机组的输出功率值，单位为W，？籽为空气密度，单位为kg/m3，v为风力的来流速度，单位为m/s，f为面积，单位m2，Cp为风能操作系数，指风力发电机组从自然风中吸取能量的大小程度。 　　（3）对样本数据进行预处理。通常风力发电机并不是在所有的时刻都能处于良好的运行状态，因此，要删除一些异常数据（伪数据），一般包括机组故障停机、功率负值、数据采集系统不稳定所导致的异常数据。此外，还要对训练集和测试集的数据进行归一化操作。 　　a.缺失数据处理，对于个别异常数据缺失的情况，它们的值通常是其直接前驱和直接后继时刻的中间值，因此文本采用线性插值法对数据进行处理； 　　b. 数据归一化，如公式2所示： 　　其中，Y代表归一化后的值，Xmax，Xmin分别代表原始输出参数X的最大值和最小值。 　　模型的训练集为75