基于相关向量机的短期风速预测模型 short-term wind speed forecasting model based on relevance vector machine.pdfVIP

No．10 一 第33卷第10期 电力 自动化设备 V01．33 ElectricPowerAutomation Oct．2013 嘲 2013年10月 Equipment 基于相关向量机的短期风速预测模型 W 李慧杰1，刘亚南2，卫志农2，李晓露1，Kwok Cheun93，孙永辉2，孙国强2 (1．阿尔斯通电网技术中心有限公司，上海201114；2．河海大学可再生能源发电技术教育部工程研究中心， 2r-苏南京210098；3。ALSTOMGridInc．，Redmond，USA98052) Washington 摘要：通过对风速的时间序列进行分析，表明该序列具有混沌特性。在此基础上，利用相空间重构理论建立基 于相关向量机(RVM)的短期风速预测模型，并对不同的核函数进行分析，选出最优的核函数。与现有的风速预 测模型相比，该模型具有高稀疏性、核函数选择灵活等优点。仿真结果表明，与BP神经网络和支持向量机 (SVM)模型相比．RVM模型预测精度更高。 关键词：神经网络：支持向量机；相关向量机；相空间重构；短期风速预测；模型 614 中图分类号：TM715：TM 文献标识码：A 0引言 而且混沌时间序列在短期内可以预测。因此．利用 混沌相空问重构理论可以还原风速时间序列的非线 可再生能源的开发利用得到世界各国的高度重 性动力特性．使用一定的预测模型可以进行短期风速 视，风力发电因具有环保可再生、全球可行、成本低 预测。文献f9—101已经将相空间重构用于风力发电 且规模效益显著等优点．已经受到广泛的重视，并且 功率预测中。本文通过相空间重构的方法建立相关 发展迅速…。近年来．风力发电机组容量的迅速增 向量机(RVM)短期风速预测模型，同时采用高斯核 长，对电力系统的影响也越来越明显。尽管风力发电 函数和多项式函数的组合作为RVM的核函数．以此 已经成为一种较为成熟的技术．但风电场风速的预测 来提高预测精度。算例结果表明．RVM模型较之现 还未达到一定的满意程度。准确预测风电场的风速 有的风速预测模型具有更高的精度。 有利于调度部门调整计划．从而有效减轻风电对整个 电网的不利影响．减少电力系统运行成本．也有利于 1相空间重构理论 调度人员及时采取正确的调度措施[2]。 根据Takens的嵌入定理[11]．对于一个时间序列． 由于风速受诸多因素的影响．具有很强的随机性 延迟坐标的维数m≥2d+1(d是动力系统的维数)， 和不确定性．所以预测难度较大．尤其是进行短期风 在该嵌入维空间里可以把有规律的轨道(吸引子)恢 速预测[3]。文献『4]将经典的ARMA模型用