SVM和LSSVM应用于风电功率预测中对比研究.docVIP

SVM和LSSVM应用于风电功率预测中对比研究 　　摘要：风电场发电机组的输出功率预测对保证电力系统的安全稳定运行有重大意义。支持向量机法在风电预测问题中应用广泛，最小二乘支持向量机为传统支持向量机的改进方法，结合上述两种方法以及粒子群算法分别建立风电功率预测模型，选取某一实际风电场数据进行风电功率预测研究，并对结果进行误差分析，仿真结果表明了最小二乘支持向量机方法的适用性和优异性。 　　关键词：最小二乘支持向量机;粒子群算法;风电功率预测;支持向量机 　　中图分类号：TM315 文献标识码：A 文章编号：1007-0079（2014）33-0182-03 　　随着风电技术的迅速发展和风电场规模的持续扩大，风电对现代电力系统的意义愈发明显，因此，必须对风电进行有效的规划和调度以保证电力系统的安全稳定运行。然而，风电的间歇性和随机性特点使得电网调度的难度大大增加。而对风电功率进行预测既可以为调度提供可靠的依据，也可以通过确定系统的旋转备用容量，从而大大降低风电系统的运行成本，因此对风电系统的发电量进行准确预测具有重大意义。[1] 　　风电功率预测是基于风力发电历史数据来推测未来的风电出力情况。目前风电功率预测的常用方法主要有支持向量法、持续法、时间序列法、卡尔曼滤波法、人工神经网络法、空间相关法、模糊逻辑法、物理预测法等。[1-9]每种方法都有其特点和缺陷。支持向量机法通过对大量数据的学习和训练得到预测模型，结合结构风险最小化原则对风速数据进行预测，此方法有较强的适应能力，该方法已在风电预测问题得到广泛应用。最小二乘支持向量机是支持向量机的改进方法，该方法通过非线性映射将变量转换到高维特征空间中，避免了传统支持向量机的二次规划的方法，提高了方法的效率和准确性。[10] 　　针对风速的随机性，本文分别建立了传统支持向量机和最小二乘支持向量机的风电功率预测模型，并选取实际样本数据进行风电预测的仿真验证。 　　一、支持向量机 　　1.传统支持向量机 　　传统支持向量机方法以结构风险最小化为原则，根据事先获得的序列样本信息，在预测模型的复杂性和学习能力之间寻求一个最佳折衷解，使求得的解具有较好的泛化能力。[11] 　　机器学习的观测样本在一组函数中求一个最优的函数对依赖关系进行估计，使期望风险最小，的计算关系如下： 　　 （1） 　　式中，为预测函数集合;w是预测函数的广义参数;是用预测函数对输出变量y进行预测而造成的损失，不同的学习问题其损失函数的形式不同。 　　支持向量机（SVM）在应用于风电功率预测时，主要目的在于寻找一个函数，使期望风险函数值最小。风电功率预测问题的损失函数一般为： 　　 （2） 　　式中，p为根据具体预测问题确定的一个正整数。根据结构风险最小化原则，有： 　　 （3） 　　其中，为经验风险，为复杂度的一种度量，确定了的上限。 　　在运用支持向量机预测风电功率时，首先给定以为概率的风速序列观测样本集，设定回归函数为： 　　（4） 　　并引入结构风险函数： 　　（5） 　　式中：为描述函数;为模型复杂度;C为常数，结构风险的作用在于使学习和预测在经验风险和模型复杂度之间取一个折中。由此可知，式（5）所代表的回归问题就可以等价于结构风险最小： 　　（6） 　　同时，满足约束条件： 　　（7） 　　式中，ε是估计精度，ζi、ζi*为模型中引进的松弛变量，旨在处理函数f在ε精度下无法估计的样本数据，使得该回归函数有解。 　　由于风速随机性的特点，观测到的风速样本序列也是随时间空间非线性变化的序列，单纯使用一个线性回归函数来模拟风速过程是不合理的，因此，需要通过一个非线性的映射A将风速输入量x映射到高维特征空间中，该过程可通过构造核函数实现，核函数的作用是实现低维非线性空间转化高维线性空间，可表示为： 　　（8） 　　这样，风电功率预测模型便成了一个二次规划模型，求解这个二次规划模型得到α的值，同时得到w的值，最终求得回归函数，如式（9）所示。 　　（9） 　　式中，为不为零时所对应的风速样本数据，是该预测模型的支持向量。采用KKT（Karush-Kuhn-Tucker）条件来计算常值偏差b，根据预测结果进行误差分析。 　　2.最小二乘支持向量机 　　传统的支持向量机应用于风电功率预测时，需要经过核函数的转换，将求解过程转换成一个二次规划过程，这种方法降低了效率，而且收敛精度不高，而最小二乘支持向量机（LSSVM）的方法利用最小二乘线性系统作为损失函数，避免了二次规划的过程，同时，利用核函数将预测问题转化为方程组的求解，将不等式约束转化为等式约束，增加预测的准确度和速度。[10] 　　对于事先获得的训练样本集，利用一个非线性映射φ将样本空间映射到特征空间，并在高维空间中构造最优决策函数： 　　（10） 　　这样，原本的非