基于優(yōu)化相關(guān)向量機(jī)的短期風(fēng)速預(yù)測(cè)方法
【專利摘要】本發(fā)明涉及一種基于優(yōu)化相關(guān)向量機(jī)的短期風(fēng)速預(yù)測(cè)方法，該方法包括以下步驟：S1：數(shù)據(jù)準(zhǔn)備；S2：對(duì)準(zhǔn)備數(shù)據(jù)進(jìn)行預(yù)處理；S3：對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行小波變換；S4：對(duì)小波變換后的數(shù)據(jù)進(jìn)行歸一化處理；S5：基于PACF對(duì)歸一化后數(shù)據(jù)進(jìn)行輸入變量的選擇；S6：在步驟S5生成的RVM樣本空間上預(yù)測(cè)分解序列；S7：將各分解序列預(yù)測(cè)結(jié)果相加，得到短期風(fēng)速預(yù)測(cè)值。與現(xiàn)有預(yù)測(cè)方法相比，本發(fā)明的方法具有較強(qiáng)的泛化能力；通過PACF選擇輸入變量，有效減少了輸入變量和冗余信息；通過智能優(yōu)化算法對(duì)相關(guān)向量機(jī)參數(shù)進(jìn)行優(yōu)化，確保模型最優(yōu)；具有較高的預(yù)測(cè)精度，實(shí)現(xiàn)成本較低，易于推廣應(yīng)用。
【專利說明】基于優(yōu)化相關(guān)向量機(jī)的短期風(fēng)速預(yù)測(cè)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及風(fēng)速預(yù)測(cè)【技術(shù)領(lǐng)域】，特別涉及一種基于優(yōu)化相關(guān)向量機(jī)的短期風(fēng)速預(yù) 測(cè)方法。

【背景技術(shù)】
[0002] 風(fēng)力發(fā)電是一種清潔的可再生能源，開發(fā)利用相對(duì)簡(jiǎn)單，因此越來越受到世界各 國(guó)的重視。有效的風(fēng)速預(yù)測(cè)是風(fēng)力發(fā)電研究的基礎(chǔ)環(huán)節(jié)，是并網(wǎng)風(fēng)電場(chǎng)風(fēng)電功率預(yù)測(cè)預(yù)報(bào) 系統(tǒng)建立和運(yùn)行的必要前提及保證。而風(fēng)速本身的隨機(jī)性和波動(dòng)性等特點(diǎn)，給風(fēng)速預(yù)測(cè)帶 來了較大的困難。
[0003] 目前，風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)常見的方法有時(shí)間序列法、卡爾曼濾波法（Kalman Filters，KF)以及人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN)、支持向量機(jī)（Support Vector Machine, SVM)等智能預(yù)測(cè)方法。時(shí)間序列預(yù)測(cè)法利用序列自身數(shù)據(jù)即可建立較高 精度的預(yù)測(cè)模型，但存在低階模型預(yù)測(cè)精度偏低、高階模型參數(shù)估計(jì)難度偏大等不足。KF法 的優(yōu)點(diǎn)是可以動(dòng)態(tài)修改預(yù)測(cè)權(quán)值，通過預(yù)測(cè)遞推方程獲得較高的預(yù)測(cè)精度，但卡爾曼狀態(tài) 方程和測(cè)量方程建立較為困難。ANN具有自學(xué)習(xí)、自組織和自適應(yīng)能力，并具有較強(qiáng)的非線 性映射能力，但最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)確定存在困難、參數(shù)選擇存在較大隨機(jī)性，并且模型存在過度 擬合等問題。隨著對(duì)SVM研究的逐步深入，應(yīng)用SVM進(jìn)行風(fēng)速預(yù)測(cè)的研究也逐漸增加，并取 得良好效果，但存在缺少概率因素、核函數(shù)的選取必須滿足Mercer條件等局限性，因此限 制了其進(jìn)一步發(fā)展。
[0004] 為克服現(xiàn)有技術(shù)的不足，本發(fā)明提出一種基于相關(guān)向量機(jī)（Relevance Vector Machine，RVM)的短期風(fēng)速預(yù)測(cè)方法。相關(guān)向量機(jī)是在SVM基礎(chǔ)上發(fā)展起來的一種新的機(jī) 器學(xué)習(xí)方法，在負(fù)荷和功率預(yù)測(cè)、缺陷檢測(cè)圖像識(shí)別等領(lǐng)域展開了應(yīng)用研究并取得一定成 果。小波變換（Wavelet Transform, WT)是進(jìn)行信號(hào)處理的有效工具，常用來對(duì)原始風(fēng)速數(shù) 據(jù)序列進(jìn)行處。遺傳算法（Genetic Algorithm, GA)是一種基于自然選擇和遺傳規(guī)律的啟 發(fā)式、并行全局搜索最優(yōu)方法，其主要源自于自然界的選擇和進(jìn)化理論，常用來解決目標(biāo)函 數(shù)的多參數(shù)優(yōu)化問題。本發(fā)明首先應(yīng)用小波變換將原始風(fēng)速數(shù)據(jù)序列變換為概貌序列和細(xì) 節(jié)序列，然后對(duì)各分解序列分別建立相關(guān)向量機(jī)模型，同時(shí)通過遺傳算法對(duì)各相關(guān)向量機(jī) 核參數(shù)進(jìn)行優(yōu)化，輸出最佳預(yù)測(cè)模型并進(jìn)行滾動(dòng)預(yù)測(cè)，最后將各分解序列的預(yù)測(cè)值相加得 到原始信號(hào)的最終預(yù)測(cè)值。


【發(fā)明內(nèi)容】

[0005] 為了克服現(xiàn)有預(yù)測(cè)方法的不足，本發(fā)明公開了一種基于優(yōu)化相關(guān)向量機(jī)的短期風(fēng) 速預(yù)測(cè)方法，該方法結(jié)構(gòu)緊湊，操作簡(jiǎn)單，預(yù)測(cè)精度較高。
[0006] 本發(fā)明公開了以下技術(shù)方案：
[0007] -種基于優(yōu)化相關(guān)向量機(jī)的短期風(fēng)速預(yù)測(cè)方法，其特征在于，該方法包括 以下步驟：S1 :數(shù)據(jù)準(zhǔn)備；S2 :對(duì)準(zhǔn)備數(shù)據(jù)進(jìn)行預(yù)處理；S3 :對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行 小波變換；S4:對(duì)小波變換后的數(shù)據(jù)進(jìn)行歸一化處理；S5:基于PACF(偏自相關(guān)函數(shù) Partial-Correlations Function)對(duì)歸一化后數(shù)據(jù)進(jìn)行輸入變量的選擇；S6:在S5生成的 RVM樣本空間上預(yù)測(cè)分解序列；S7:將各分解序列預(yù)測(cè)結(jié)果相加，得到短期風(fēng)速預(yù)測(cè)值。
[0008] 較佳地，本發(fā)明所述的短期風(fēng)速預(yù)測(cè)方法，其中步驟S1具體為根據(jù)預(yù)測(cè)時(shí)間分辨 率，將需要預(yù)測(cè)風(fēng)電場(chǎng)的歷史風(fēng)速數(shù)據(jù)用EXCEL表格導(dǎo)出并保存。
[0009] 較佳地，本發(fā)明所述的短期風(fēng)速預(yù)測(cè)方法，其中步驟S2具體為對(duì)缺失、異常數(shù)據(jù) 進(jìn)行處理。
[0010] 較佳地，本發(fā)明所述的短期風(fēng)速預(yù)測(cè)方法，其中步驟S3具體為應(yīng)用小波變換對(duì)原 始風(fēng)速時(shí)間序列進(jìn)行分解和重構(gòu)，從而得到一個(gè)概貌序列和若干個(gè)細(xì)節(jié)序列，以剔除序列 的不規(guī)則波動(dòng)。
[0011] 較佳地，本發(fā)明所述的短期風(fēng)速預(yù)測(cè)方法，其中步驟S4具體為對(duì)分解后的風(fēng)速進(jìn) 行歸一化々卜理.所沭丨內(nèi)一仆力卜理公式加下所示：
[0012]

【權(quán)利要求】
1. 一種基于優(yōu)化相關(guān)向量機(jī)的短期風(fēng)速預(yù)測(cè)方法，其特征在于，該方法包括以下步驟： Sl:數(shù)據(jù)準(zhǔn)備；S2 :對(duì)準(zhǔn)備數(shù)據(jù)進(jìn)行預(yù)處理；S3 :對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行小波變換；S4 :對(duì)小 波變換后的數(shù)據(jù)進(jìn)行歸一化處理；S5 :基于PACF對(duì)歸一化后數(shù)據(jù)進(jìn)行輸入變量的選擇；S6 : 在S5生成的RVM樣本空間上預(yù)測(cè)分解序列；S7 :將各分解序列預(yù)測(cè)結(jié)果相加，得到短期風(fēng) 速預(yù)測(cè)值。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟Sl具體為根據(jù)預(yù)測(cè)時(shí)間分辨率，將需 要預(yù)測(cè)風(fēng)電場(chǎng)的歷史風(fēng)速數(shù)據(jù)用EXCEL表格導(dǎo)出并保存。
3. 根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟S2具體為對(duì)缺失、異常數(shù)據(jù)進(jìn)行處理 后得到原始風(fēng)速時(shí)間序列。
4. 根據(jù)權(quán)利要求3所述的方法，其特征在于，步驟S3具體為應(yīng)用小波變換對(duì)原始風(fēng)速 時(shí)間序列進(jìn)行分解和重構(gòu)，從而得到一個(gè)概貌序列和若干個(gè)細(xì)節(jié)序列，以剔除序列的不規(guī) 則波動(dòng)。
5. 根據(jù)權(quán)利要求4所述的方法，其特征在于，步驟S4具體為對(duì)分解后的風(fēng)速進(jìn)行歸一 化處理，所述歸一化處理公式如下所示：
公式（1)中，Xli、4分別表示數(shù)據(jù)歸一化前、后的值，ylmax、ylmin*別表示要?dú)w一化的映 射區(qū)間的最大值1與最小值-1，xlmax、Xlmin分別表示樣本數(shù)據(jù)中的最大、最小值。
6. 根據(jù)權(quán)利要求1-4中任意一項(xiàng)所述的方法，其特征在于，步驟S6具體包括如下步 驟： S6. 1 :將樣本空間劃分為訓(xùn)練集和驗(yàn)證集； S6. 2 :相關(guān)向量機(jī)模型選用徑向基核函數(shù)，所述徑向基核函數(shù)公式如下： A-(.v,,.V:,) = t'xp(-^-) (2) 公式（2)中，X2為輸入向量，X2i為訓(xùn)練集中第i維輸入向量，〇2為核函數(shù)的寬度，K(x2,x2i)表示徑向基核函數(shù)； S6. 3 :初始化建立相關(guān)向量機(jī)模型，根據(jù)訓(xùn)練集應(yīng)用相關(guān)向量機(jī)模型進(jìn)行訓(xùn)練，輸出訓(xùn) 練豐吳型； S6. 4 :根據(jù)訓(xùn)練模型應(yīng)用驗(yàn)證集進(jìn)行驗(yàn)證，輸出驗(yàn)證集絕對(duì)平均百分比誤差I(lǐng)mpe，其計(jì) 算公式如下：
公式⑶中，y' 3i為預(yù)測(cè)值，y3i為實(shí)際值，N為樣本數(shù)； S6. 5 :根據(jù)驗(yàn)證集Imape進(jìn)行遺傳算法優(yōu)化，遺傳算法優(yōu)化參數(shù)為徑向基核函數(shù)核寬度σ2； S6. 6 :輸出各分解序列最佳相關(guān)向量機(jī)預(yù)測(cè)模型； S6. 7 :應(yīng)用各分解序列最佳相關(guān)向量機(jī)預(yù)測(cè)模型對(duì)預(yù)測(cè)集各點(diǎn)進(jìn)行滾動(dòng)預(yù)測(cè)；得到新 的預(yù)測(cè)點(diǎn)預(yù)測(cè)值以后，將該點(diǎn)作為已知值滾動(dòng)預(yù)測(cè)下一個(gè)預(yù)測(cè)點(diǎn)，最終輸出各分解序列預(yù) 測(cè)結(jié)果。
7.根據(jù)權(quán)利要求6所述的方法，其特征在于，步驟S7具體為根據(jù)小波分解和單支重構(gòu) 后的整合原理，將各分解序列的預(yù)測(cè)結(jié)果相加即得到原始風(fēng)速的最終預(yù)測(cè)值，即 y4=aJ+TJd· ⑷ i=l 公式⑷中，j是分解序列次，< 為概貌序列預(yù)測(cè)值，< 為各細(xì)節(jié)序列預(yù)測(cè)值，y4是最 終預(yù)測(cè)值。
【文檔編號(hào)】G06F19/00GK104239689SQ201410406731
【公開日】2014年12月24日 申請(qǐng)日期:2014年8月18日 優(yōu)先權(quán)日:2014年8月18日
【發(fā)明者】劉達(dá), 王繼龍, 牛東曉, 王輝 申請(qǐng)人:華北電力大學(xué)