[发明专利]基于优化相关向量机的短期风速预测方法

摘要

本发明涉及一种基于优化相关向量机的短期风速预测方法，该方法包括以下步骤S1数据准备；S2对准备数据进行预处理；S3对预处理后的数据进行小波变换；S4对小波变换后的数据进行归一化处理；S5基于PACF对归一化后数据进行输入变量的选择；S6在步骤S5生成的RVM样本空间上预测分解序列；S7将各分解序列预测结果相加，得到短期风速预测值。与现有预测方法相比，本发明的方法具有较强的泛化能力；通过PACF选择输入变量，有效减少了输入变量和冗余信息；通过智能优化算法对相关向量机参数进行优化，确保模型最优；具有较高的预测精度，实现成本较低，易于推广应用。

主权项

一种基于优化相关向量机的短期风速预测方法，其特征在于，该方法包括以下步骤：S1：数据准备；S2：对准备数据进行预处理；S3：对预处理后的数据进行小波变换；S4：对小波变换后的数据进行归一化处理；S5：基于PACF对归一化后的各风速序列数据进行输入变量的选择，确定模型的输入变量，与由预测点实际风速组成的输出变量共同组成RVM样本空间；S6：在S5生成的RVM样本空间上预测分解序列；S7：将各分解序列预测结果相加，得到短期风速预测值；步骤S1具体为根据预测时间分辨率，将需要预测风电场的历史风速数据用EXCEL表格导出并保存；步骤S2具体为对缺失、异常数据进行处理后得到原始风速时间序列；步骤S3具体为应用小波变换对原始风速时间序列进行分解和重构，从而得到一个概貌序列和若干个细节序列，以剔除序列的不规则波动；小波函数根据风速数据特点和风速时间序列的尺度分布情况进行选择；步骤S4具体为对分解后的风速进行归一化处理，所述归一化处理公式如下所示：x1i*=(y1max-y1min)×(x1i-x1min)x1max-x1min+y1min---(1)]]>公式(1)中，x1i、分别表示数据归一化前、后的值，y1max、y1min分别表示要归一化的映射区间的最大值1与最小值‑1，x1max、x1min分别表示样本数据中的最大、最小值；步骤S5具体为，对于平稳时间序列{x(t)}，滞后k偏自相关系数指在剔除x(t‑1)、x(t‑2)、……、x(t‑k+1)中间k‑1个随机变量的干扰之后，x(t‑k)对x(t)影响的相关程度，在设定显著性检验常数情况后，k偏自相关系数的绝对值大于该值的时间点数据即确定为模型输入变量；步骤S6具体包括如下步骤：S6.1：将样本空间划分为训练集和验证集；S6.2：相关向量机模型选用径向基核函数，所述径向基核函数公式如下：K(x2,x2i)=exp(-||x2-x2i||σ2)---(2)]]>公式(2)中，x2为输入向量，x2i为训练集中第i维输入向量，σ2为核函数的宽度，K(x2,x2i)表示径向基核函数；S6.3：初始化建立相关向量机模型，根据训练集应用相关向量机模型进行训练，输出训练模型；S6.4：根据训练模型应用验证集进行验证，输出验证集绝对平均百分比误差IMAPE，其计算公式如下：IMAPE=1NΣi=1N(|y3i′-y3i|y3i×100%)---(3)]]>公式(3)中，y'3i为预测值，y3i为实际值，N为样本数；S6.5：根据验证集IMAPE进行遗传算法优化，遗传算法优化参数为径向基核函数核宽度σ2；S6.6：输出各分解序列最佳相关向量机预测模型；S6.7：应用各分解序列最佳相关向量机预测模型对预测集各点进行滚动预测；得到新的预测点预测值以后，将该点作为已知值滚动预测下一个预测点，最终输出各分解序列预测结果；步骤S7具体为根据小波分解和单支重构后的整合原理，将各分解序列的预测结果相加即得到原始风速的最终预测值，即y4=αj*+Σi=1jdi*---(4)]]>公式(4)中，j是分解序列次，为概貌序列预测值，为各细节序列预测值，y4是最终预测值。