[发明专利]一种基于组合核函数的风电场超短期风速预测方法

摘要

本发明公开了一种基于组合核函数的风电场超短期风速预测方法，采用基于组合核函数支持向量机，将小波核函数与多项式核函数结合，结合多项式核函数的全局性特点以及小波核函数的高精度和良好学习能力，有效地提高支持向量机模型的预测能力，减小预测误差。同时在支持向量机模型建立上，选择相似数据，分类建立模型，使得训练样本与测试样本有相似关系，从而增强了支持向量回归模型的非线性拟合能力。本发明通过组合核函数和相似数据的结合，提高了风速预测的精度。

主权项

一种基于组合核函数的风电场超短期风速预测方法，其特征在于，包括以下步骤：(1)、采集风电场的风速数据，按照时间顺序排列成风速的时间序列数据X，时间序列表达式为：X＝{x_t,t＝1,2,…,N.}其中，N为风速时间序列的个数；(2)、风速时间序列X的自相关度计算公式为：$r_D=\frac{1}{(N-D)s^2}\underset{t=D}{\overset{N}{\mathrm{\Σ}}}(x_t-\mathrm{\μ})(x_{t-D}-\mathrm{\μ})$其中，r_D为自相关度，0≤r_D≤100％，μ和s分别为风速时间序列的均值和标准差，D为嵌入维度，即选择的特征的个数；设定一个自相关度的值r_T，计算嵌入维度D；(3)、对风速时间序列X进行归一化处理，换算为[0,1]的范围内的相对风速，归一化处理公式为：${\tilde{x}}_t=\frac{N(x_t-\stackrel{\‾}{x})}{\underset{t=1}{\overset{N}{\mathrm{\Σ}}}(x_t-\stackrel{\‾}{x})}$其中，为归一化后的时刻t的相对风速，为风速时间序列X的平均值，N为风速时间序列的个数；(4)、支持向量机模型的训练样本输入序列为时刻t前的历史风速序列，训练样本输出为t时刻的风速，根据嵌入维度D得到训练样本输入矩阵P：$P=\left(\begin{array}{c}{\tilde{x}}_1,\·\·\·,{\tilde{x}}_{D-2},{\tilde{x}}_{D-1},{\tilde{x}}_D\\ {\tilde{x}}_2,\·\·\·,{\tilde{x}}_{D-1},{\tilde{x}}_D,{\tilde{x}}_{D+1}\\ \·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\\ {\tilde{x}}_{t-D},{\tilde{x}}_{t-D+1},{\tilde{x}}_{t-1}\\ \·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\·\\ {\tilde{x}}_{N-D},\·\·\·,{\tilde{x}}_{N-3},{\tilde{x}}_{N-2},{\tilde{x}}_{N-1}\end{array}\right)=\left(\begin{array}{c}{P}_1\\ P_2\\ \·\·\·\\ P_{t-D}\\ \·\·\·\\ P_{N-D}\end{array}\right)$输入矩阵P为n×D阶矩阵，其中，n＝N‑D+1，行向量P_i,1≤i≤n表示时刻D+i的历史风速序列，即训练样本输入序列，每个元素p_il,1≤i≤n,1≤l≤D表示时刻i+l‑1的风速；训练样本输出矩阵Q：$Q=\left(\begin{array}{c}{\tilde{x}}_{D+1}\\ {\tilde{x}}_{D+2}\\ \·\·\·\\ {\tilde{x}}_t\\ \·\·\·\\ {\tilde{x}}_N\end{array}\right)=\left(\begin{array}{c}{q}_1\\ q_2\\ \·\·\·\\ q_{t-D}\\ \·\·\·\\ q_{N-D}\end{array}\right)$训练样本的输出矩阵Q为n×1阶矩阵，q_i,1≤i≤n表示时刻D+i的风速；(5)、对每个训练样本输入序列P_i,1≤i≤n，按照时间顺序比较风速时间序列所有时刻的值的大小，如果某一时刻的值比其前后两个时刻的值都要大或者小，那么记录此值为风速时间序列的一个极值点，同时记录此点在风速时间序列中的时刻，利用此方法可以找出风速时间序列上所有极值点集合H＝{h_m,m＝1,2,…,M.}和相应极值点的时刻集合U_m＝{u_m,m＝1,2,…,M.}，M为极值点的个数；极值点将风速时间序列划分为线性分段，每个线性分段的斜率I_m为：此线性分段的点在所有点中所占的比重ω_m为：建立风速时间序列相似特征I的分段线性表示为：$I=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{I}_m{\mathrm{\ω}}_m$设定阈值τ,τ＞0，当I≥τ，风速时间序列呈下降趋势；当‑τ＜I＜τ，风速时间序列呈平缓趋势；当I≤‑τ，风速时间序列呈上升趋势；据此可将训练样本输入序列P_i,1≤i≤n分为上升、平缓、下降三类；(6)、小波核函数参数寻优，小波核函数表达式为：$K(p_i,p_j)=\underset{l=1}{\overset{D}{\mathrm{\Π}}}h\left(\frac{p_{\mathrm{il}}-p_{\mathrm{jl}}}{a}\right),1\≤i,j\≤n$其中，a与k为可调参数；求出参数a与k的最优取值，得到小波核函数；(7)、建立组合核函数，组合核函数的公式为：$K(p_i,p_j)={\mathrm{\ρ}}_1{((p_i\·p_j)+1)}^d+{\mathrm{\ρ}}_2\underset{l=1}{\overset{D}{\mathrm{\Π}}}h\left(\frac{p_{\mathrm{il}}-p_{\mathrm{jl}}}{a}\right),1\≤i,j\≤n$其中，参数d由用户设置，ρ₁与ρ₂为组合系数；求出ρ₁与ρ₂的最优取值，得到组合核函数；(8)、以训练样本输入矩阵P作为组合核函数支持向量机模型的输入，以训练样本输出矩阵Q作为支持向量机模型的输出f(P)，根据相似特征分类进行模型训练，可得到三个支持向量机模型f_上升，f_平缓，f_下降；(9)、将预测样本输入训练得到的支持向量机模型，计算预测样本的风速时间序列相似特征I_预测，当I_预测≥τ，预测样本风速时间序列呈上升趋势，采用支持向量机模型f_上升预测风速；当‑τ＜I_预测＜τ，预测样本风速时间序列呈平缓趋势，采用支持向量机模型f_平缓预测风速；当I_预测≤‑τ，预测样本风速时间序列呈下降趋势，采用支持向量机模型f_上升预测风速。