短期风速时间序列混沌特性分析及预测_田中大.pdfVIP

物理学报 Acta Phys. Sin. Vol. 64, No. 3 (2015) 030506 短期风速时间序列混沌特性分析及预测 田中大 李树江 王艳红 高宪文 1)(沈阳工业大学信息科学与工程学院, 沈阳 110870) 2) (东北大学信息科学与工程学院, 沈阳 110819) ( 2014 年6 月30 日收到; 2014 年8 月15 日收到修改稿) 针对短期风速时间序列的预测问题进行了研究. 首先通过0-1 混沌测试法确定短期风速时间序列具有混 沌特性. 采用相空间重构技术, 利用C-C 算法确定延迟时间, G-P 算法确定嵌入维数. 然后提出一种参数在线 修正的最小二乘支持向量机预测模型, 采用改进的粒子群算法进行预测模型中参数的优化. 最后通过仿真对 比实验表明提出的预测方法在预测精度、预测误差、预测效果方面都要优于其他常见的预测方法, 证明该预测 方法是有效的. 关键词: 短期风速, 时间序列, 混沌, 预测 PACS: 05.45.Tp DOI: 10.7498/aps.64.030506 56 weather prediction, NWP) 数据进行风速预测 , 1 引 言 但是我国很多情况下, 数值天气预报模型无法获 得, 而且目前很少有专门服务于风电场的数值气象 随着化石燃料的日益枯竭, 以及环境污染的日 预报模型可以利用, 因此, 第二类的基于历史数据 益严重, 风能作为一种无污染、可再生能源, 得到世 的风速预测研究具有广阔的应用前景. 界各国的高度重视, 风力发电成为世界各国重点发 国内外学者对于短期风速预测问题进行了广 1 展的可再生能源发电技术之一 . 但是研究发现风 泛的研究, 其中包括自回归滑动平均(auto regres- 速的随机性将导致风电并网后对电力系统的稳定 7 2 sive moving average, ARMA) 模型 、差分自回归 性产生严重影响 . 目前解决这一问题的方法有两 种: 一是增加风电装机容量与常规机组的旋转备用 滑动平均(auto regressive integrated moving aver- 89 容量, 来抑制风电并网对电网带来的冲击, 但这会 age, ARIMA) 模型 等线性模型, 以及包括支持 向量机(support vector machine, SVM) 1011 、最小 增加系统的运行费用; 二是对风速或风电功率做出 比较准确的预测, 这样可以及时对电网进行调度, 二乘支持向量机(least square support vector ma-