基于小波包变换的最小二乘支持向量机短期风速多步预测和信息粒化预测的研究.pdfVIP

第35卷第2期 太阳能学报 V01．35．No．2 2014年2月 ACTAENERGIAESOL氏RISSINICA Feb．．2014 文章编号：0254-0096(2014)02-0214-07 基于小波包变换的最小二乘支持向量机短期风速 多步预测和信息粒化预测的研究 柳 玉1，曾德良2，刘吉臻2，白恺1，宋 鹏1 (1．华北电力科学研究院有限责任公司，北京100045；2．华北电力大学新能源电力国家重点实验室，北京102206) 摘要：讨论风电场短期风速多步预测和信息粒化预测，建模方法采用最小二乘支持向量机回归算法，数据处理 方法采用小波包变换算法，在小波变换的基础上有选择地分解高频部分，可进一步提升预测精度。最后，将该文所 提的建模方法应用于短期风速多步预测和信息粒化预测。大量实例分析表明，多步预测方法可得到风速预测曲 线，适用于含风电场的区域能源连续调度；信息粒化方法可处理冗余数据并得到较准确的风速预测的特征数据，能 准确分析不同风电场或不同风电机组的机组特性。 关键词：风速预测；最dx--乘支持向量机；小波包变换；多步预测；信息粒化 中图分类号：TK8 文献标识码：A 律，引入风速数据处理方法对风速进行分解后预测 0 引 言 可大大提高预测精度，其主要方法有：EMD分解喁]、 近年来，风力发电机组单机容量和大型并网风 小波分解算法¨1等。 力发电场的发电总量迅速增长，同时风力能源具有 短期风速多步预测是将风速预测值作为下一步 随机性、波动性、反调节性¨J，因此对电网的影响日 的输入值，进行多次迭代计算，从而得到多步预测的 益增加。为了保证电网与风电场的功率调度与安全 结果。风速信息粒化预测是把风速数据划分为若干 运行，进行准确有效的短期风速预测是必要和有意 个信息粒，提取信息粒、分析特征值，并建立信息粒 义的。 化后的模型并进行预测。本文提出小波包变换算法 短期风速预测旧。是一种需要基于过去和现在 和最小二乘支持向量机算法相结合的建模方法，建 的数据进行推广的统计方法。持续预测法∞3是最 立了风电场风速多步预测模型和风速信息粒化预测 简单的风速预测方法，该方法将测量的最后一步数 模型。 据作为预测下一步的输入，只考虑一步的测量值，预 1风速预测模型建立 测误差较大；时间序列法Hjl对风速时间序列进行 线性化，但其低阶模型预测精度低，高阶模型参数整 针对风速时间序列非线性和非平稳的特点，本 定难度大；空间相关性法帕1是通过临近空间点的风 文提出小波包变换与最小二乘支持向量机相结合的 速与预测点风速具有相关性的特点进行预测，但数 方法建立短期风速预测模型。风速时间序列是单维 据采集量很大，实际应用预测精度并不稳定；神经网 时间序列，最小二乘支持向量机能较好地处理小样 络和支持向量机方法o¨建立短期风速的非线性模 本非线性问题，相对于传统的支持向量机回归算法， 型，在处理非线性问题上表现出一定的优越性。在 收敛速度更快；小波包变换算法在小波变换的基础 实际应用中，直接对风速数据进行建模和预测并不 上，对风速时间序列的高频部分进行更精细的分析， 一定达到很好的精度。有学者发现，风速数据通过 并根据熵准则计算出最优小波树分解，提升了风速 分解处理后，数据在各个频域具有近似的特征和规 预测的准确度。 收稿日期：2012-07-23 基金项目：国家重点基础研究发展(973)计划(2012CB215203)；国家自然科学基金(510