风电场短期风速集成学习预测模型.pdfVIP

第28卷 第 1期 电力系统 及其 自动化学报 Vol|28 No．1 2016年 1月 ProceedingsoftheCSU—EPSA Jan． 2016 风 电场短期风速的集成学习预测模型 胡 倩，陈红坤，孙志达 (武汉大学电气工程学院，武汉 430072) 摘 要 ：准确的风电场风速预测对含大规模风电的电力系统安全稳定运行具有重要意义。针对时间序列法 、卡尔 曼滤波法、神经网络法等单一预测模型预测精度不高的问题 ，引入集成学习的分析方法 ，提出了一种基于Ada． boost算法改进的支持向量机 (SVM)短期风速预测方法。该算法使用多个SVM模型通过加权累加得到最终输 出，弥补了单一预测模型的缺陷。同时引入隶属度函数 ，通过赋予历史数据样本不同的权重来突出不同时间样 本在预测模型中的差异性。以内蒙古风电场的实际采集数据为算例进行测试 ，结果表明模型预测精度显著提 高，为实现更准确的在线短期风速预测提供了可能。 关键词：短期风速预测 ；集成学习；动态权重 ；隶属度函数；支持向量机 中图分类号：TM835 文献标志码：A 文章编号：1003—8930(2016)01—0001—04 DOI：10．3969~．issn．1003-8930．2016．01．001 AnEnsembleLearningPredictiveModelforShort-term W indSpeedForecasting HUQian，CHENHongkun，SUNZhida (SchoolofElectricalEngineering，WuhanUniversity，Wuhan430072，China) Abstract：Accuratewindspeedpredictionisimportantforsafeandstableoperationofpowersystemswithlarge—scale interconnectionofwindpower．Forasingletimeseriespredictionmethod，suchasKalmanfiltering，neuralnetwork models，thepredictionaccuracyisnothigh，thispaperproposesanensemblelearningpredictivemodelbasedonAda- boostalgorithmandsupportvectormachine(SVM)methodforshort。termwindforecasting．Thealgorithmutilizesmulti- pleSVM modelstoobtainhtefinaloutputbyaweightedcumulative，tomakeupofrtheshortcomingsofasinglefore— castmode1．Whilewiththeintroductionofmembershipfunction，historicaldatahavebeen vendifferentweightsto highlightthedifferenceinthepredictionmode1．TreatingwindfarmsinMongoliaregionasaexample，theresultsindi- catethattheproposedmethodsignificantlyenhancestheaccuracyandtomakeamoreaccurateshort-termwindforecast— ingonlinepossible． Keywords：short—term windspeedforecasting；ensemblelearning；dynamicweighting；membershipfunction；support vectormachine