一种基于组合核函数的风电场超短期风速预测方法技术

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】

本专利技术属于风力发电系统中的超短期风速预测
，更为具体地讲，涉及。
技术介绍
目前，国内外对于风力发电各种课题的研究越来越深入，风电作为一种间歇性能源，具有很大的随机性和不可控制性，其输出功率的波动范围通常较大，速度较快，导致电网调峰、无功及电压控制十分困难，给电网的安全稳定及正常调度带来新的问题。基于历史数据的风速预测的常用方法包括持续法、卡尔曼滤波法、随机时间序列法、神经网络法、模糊逻辑法、空间相关性方法和支持向量机法(supportvector machine,SVM)等。目前，风电场短期风速预测的绝对平均误差为25%-40%。其中，基于小波核函数的支持向量机模型(wavelet support vectormachine, WSVM)不仅对非平稳信号具有局部分析和特征提取的优点，而且能够在扩展空间中逼近任意非线性函数，具有较高的精度。然而，单一核函数具有其应用上的局限性，会直接影响风速预测的精度。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供，采用组合核函数，提高支持向量机模型的预测能力；并通过相似数据提取训练样本，增强了支持向量回归模型的非线性拟合能力，提高了超短期风速预测的精度。本专利技术基于组合核 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(I)、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 = {xt, t = I, 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 I NrD=Σ (X1 - μ)( -Vd - μ) — U)S t==D其中，rD为自相关度，0彡rD彡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阈值rT，O ^rt ^ 100%,嵌入维度=(G > f'r);(3)、对风速时间序列X进行归一化处理，换算为的范围内的相对风速，归一化处理公式为本文档来自技高网...

【技术保护点】
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＝{xt,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：rD=1(N-D)s2Σt=DN(xt-μ)(xt-D-μ)其中，rD为自相关度，0≤rD≤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rT，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：x~t=N(xt-x‾)Σt=1N(xt-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=x~1,...,x~D-2,x~D-1,x~Dx~2,...,x~D-1,x~D,x~D+1........................x~t-D,x~t-D+1,...,x~t-1........................x~N-D,...,x~N-3,x~N-2,x~N-1=P1P2...Pt-D...PN-D输入矩阵P为n×D阶矩阵，其中，n＝N?D+1，行向量Pi,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pil，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=x~D+1x~D+2...x~t...x~N=q1q2...qt-D...qN-D训练样本的输出矩阵Q为n×1阶矩阵，qi,1≤i≤n表示时刻D+i的风速；(5)对每个训练样本输入序列Pi,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＝{hm,m＝1,2,...,M.}和相应极值点的时刻集合Um＝{um,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Im为：1≤m≤M?1，此线性分段的点在所有点中所占的比重ωm为：1≤m≤M?1，建立风速时间序列相似特征I的分段线性表示为：I=Σm=1MImωm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Pi,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(pi,pj)=Πl=1Dh(pil-pila),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(pi,pj)=ρ1((pi·pj)+1)d+ρ2Πl=1Dh(pil-pjla).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。FDA00002639049500013.jpg,FDA00002639049500014.jpg,FDA00002639049500022.jpg,FDA00002639049500023.jpg,FDA00002639049500024.jpg...

【技术特征摘要】
1.一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 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 其中，rD为自相关度，O ^rD ^ 100%, u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rT，计算嵌入维度D ； (3)、对风速时间序列X进行归一化处理，换算为的范围内的相对风速，归一化处理公式为2.根据权利要求1所述的风电场超短期风速预测方法，其特征在于，所述步骤(6)中可调参...

【专利技术属性】
技术研发人员：凡时财，邹见效，徐红兵，李文茹，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：