用于短期风速预测的优化核心向量回归模型 an optimized cvr model for short-term wind speed forecasting.pdfVIP

用于短期风速预濒0的优化核心向量回归模型 李元诚，杨瑞私 摘要：l吐能的f砷定性和玳“种蛳蛐测龄J札电”^电阿带米r用梆M建魁彤嘲蝇能的1B肾闻常H畦 n々衄删帖膻州HIb功郴m测时准蛳怍“R蛆影咖挺}Ij r埘坍地建 剌一优化的挂心m时I·d¨(CVI{)横唰进i m削J‘Mi虹敌批从址呲【b墙虹晰Ih采粥I挑仆求川札r卅优化“w，1杆陆埘CVH榄删的鞋戡避打优 化．剌¨J优化肝的(，v1{糊，进ilm迎问测矾犄坫m＆叫nHI中堑册膻棚’’的情挝F．疆打钛n打吨 f、I{ql svll{枷㈨I”川t¨㈨…m1型商的胁洲惭罐 美健词：呲J≈；M1U1nf：M删触洲；牲f斛优化；幅心m璇州91 中圈分类号：】M614 文献标志码：^ 文章蝙号：10049r49(2012)03积)684M 为测试样本．进行未来Ih的风速预测。实验结果表 0引言 州．该方法对风速预测有较高的精度。 风能作为一种清沽可再生能源 已经成为3Z+t． 1 PSO优化算法 会关注的一十热点”I。风电并阿会对整个电网的稳 定性有一定的影响．所以风电功率预测的精确性就 根据文献[6]，粒子群优化箅法原理如下：m个 硅得尤为重要II。风速是影响风电功率的重要田索． 粒子在n维解空间中搜索目标函数的最优解．算法 因此．风速预测一直是风电研究的热点。 执行过程巾．记录每个粒子的个体最优位置．以及整 文献『31利用时间序列持续模型和卡尔曼波相 个种群搜索到的适应度值最小(大)的全局最优位置，， 结合的方法对风速进行预测。该方法适合短期预 粒子的速度及位置更新方程为： 测．缺点是预测时间增长预测谩差随着增长。 (1) ¨帅川2删*‘+clr¨(#曲—’‰，)+c2气(#女I—。hr) 文献『4]采用改进模糊层次分析诸进行风速预 测．把风速预测问题看成多目标决策问题以预测 #．^t‘．；om+”“tt“j (2) 周期和风速振荡性与模型的信赖度为评判标准． 式中：^=l，2．．“；异1．2． ．m(历为种群规模)；t 考虑了々家经验和不确定性陶素对风速预测的影 是岩前进化代数；#。。和_。。分别为粒子f在第1次迭 响．如果在模型巾加人与风速预测密切相关的其 代中第^维的值和速度；。叫与。柚分别为粒子i在 他因索．预测精度会进一步提高。 第￡改选代中第☆维的个体最优位置与全局最优位 置㈣^为加速系数．分别调节向全局最优位置和 VectorMaehine)进 文献[5]利用SVM(SupporI 行风速预测．泼方法中先对SVM进行参数选择．然 个体最优位置移动的步长；r。，和～为[O．1]之间的黼 后对风速进行预测．结果表明该方法与以前的多层 机数；为惯性权重．可设为随时间线性减小。 神经网络预测相比有较好的效果，但是时间复杂度 算法的终止条件为_迭代次数达到规定的最大 较高． 选代次数或者种群最优位置的适应度值满足规定 本文提nj了利用核心向量回归(ComVector的闻值。 Regresslon．CVR)模型进行短期风速预删．用粒子群 优化(Parti