基于EMD與SVM的短期風速預測研究

陳 冉

(1.華北電力大學 河北 保定 071000；2.神華河北國華滄東發(fā)電有限責任公司 河北 滄州 061113)

基于EMD與SVM的短期風速預測研究

陳 冉1，2

(1.華北電力大學 河北 保定 071000；2.神華河北國華滄東發(fā)電有限責任公司 河北 滄州 061113)

風能作為一種重要的可再生能源，其開發(fā)利用得到各國高度重視。準確預測風速對于接入大量風電的電力系統(tǒng)意義重大。為了提高風速的預測精度，本文提出建立基于經(jīng)驗模式分解（EMD）與支持向量機（SVM）的復合預測模型。該模型首先將風速時間序列進行經(jīng)驗模式分解，然后對不同頻帶的分量分別建立支持向量機預測模型，再將各個模型的預測值等權(quán)求和得到最終的風速預測值。本文采用某風場實測數(shù)據(jù)進行建模，預測后40min風速，算例表明，該模型能有效提高風速預測的精度。

風速；預測；SVM；EMD

0 引言

風能是一種可再生、潔凈能源并已經(jīng)得到了各國的高度重視，風力發(fā)電已經(jīng)成為可再生能源中發(fā)展最快和最為成熟的一種。評估風電場的風能資源狀況、進行風速預測是開發(fā)風力發(fā)電項目最基礎的工作之一[1-3]。

風速預測方法目前主要有持續(xù)預測法[4]、卡爾曼濾波法[5]、隨機時間序列法、人工神經(jīng)網(wǎng)絡法、模糊邏輯法[6]、空間相關(guān)法[7]、支持向量機（support vector machines,SVM）等。單獨使用這些方法對風電場短期風速預測的絕對平均誤差一般在20%-40%左右。由于風速受多種因素影響，風速信號表現(xiàn)為一典型的非平穩(wěn)時間序列，單一的預測方法難以取得滿意的效果。因此，本文提出建立復合預測模型，將經(jīng)驗模式分解法（empirical mode decomposition，EMD）與支持向量機相結(jié)合進行建模預測。

1 建模原理和方法

1.1 支持向量機原理

支持向量機是基于統(tǒng)計學習理論發(fā)展起來的一種新的機器學習方法，其最大特點是改變了傳統(tǒng)的經(jīng)驗風險最小化原則，具有很好的泛化能力。另外，支持向量機在處理非線性問題時，首先將非線性問題轉(zhuǎn)化為高維空間中的線性問題，然后用一個核函數(shù)代替高維空間中的內(nèi)積運算，從而巧妙地解決了復雜計算問題，并且有效地克服了維數(shù)災難以及局部極小問題[8]。

支持向量機用來解決預測問題的思想為：給定l個樣本數(shù)據(jù)｛xk，yk｝，其中 xk∈Rn為 n 維向量，yk∈R 為相對應的輸出變量，尋找一個函數(shù)f（x），以便使用f（x）來推斷任意的x所對應的y值。

1.2 經(jīng)驗模式分解法

經(jīng)驗模式分解法是Huang[9]1998提出的一種新的信號處理方法。從本質(zhì)上講，經(jīng)驗模式分解法是對時間序列進行平穩(wěn)化處理。經(jīng)驗模式分解的過程主要如下：

（1）找到待分解信號的全部極值點(包括極大值和極小值點)，利用三次樣條函數(shù)分別對極大值點和極小值點進行擬合，從而找到信號的上下包絡線，計算出兩包絡線的均值，進而求出待分解信號和均值的差值h；

（2）判斷h是否滿足本征模式函數(shù)(intrinsic modefunction，IMF)的要求，若滿足則令h為原信號的第1個IMF，并求出原信號與該IMF的差值r；若不滿足則重復上述過程若干次，直到新的h滿足IMF的條件；

（3）將x作為待分解信號，重復以上過程，直到剩余信號滿足預先給定的終止準則 (如分解得到的剩余信號rn足夠小或成為一個單調(diào)函數(shù))，則終止整個分解過程。詳細分解過程可參見文獻[5]。

2 預測模型的建立

本文將SVM與EMD相結(jié)合，建立復合預測模型進行風速預測。即對訓練數(shù)據(jù)的風速時間序列先進行EMD分解，然后對各分量進行歸一化，用歸一化后的各個頻帶分量分別建立相應的SVM預測模型，對測試數(shù)據(jù)也進行EMD分解(對于只有一個時間節(jié)點的預測，選取訓練數(shù)據(jù)的最后10個數(shù)據(jù)和預測數(shù)據(jù)生成序列進行分解)，將分解后的各分量分別代入相應的預測模型，各模型預測值等權(quán)疊加即是最終的預測值。

由于訓練數(shù)據(jù)時間序列和測試數(shù)據(jù)時間序列EMD分解的頻帶分量個數(shù)可能不相等，本文對分節(jié)后的頻帶分量進行了傅立葉變換，通過傅立葉變換我們發(fā)現(xiàn)分解頻帶分量個數(shù)較少的序列的各頻帶分量的幅頻特性和頻帶分量個數(shù)較多的頻帶分量的低頻分量更相似，并且考慮到分量頻率越高前后關(guān)聯(lián)性越低，所以在測試時若頻帶分量個數(shù)和模型個數(shù)不等則舍棄高頻分量(或高頻分量對應的預測模型)。具體步驟為：

（1）對訓練數(shù)據(jù)的風速時間序列進行經(jīng)驗模式分解，將非平穩(wěn)時間序列分解為不同頻帶的高頻和低頻時間序列。

（2）對各頻帶分量分別進行歸一化。

（3）選用徑向基核函數(shù)，利用交叉驗證和網(wǎng)格搜索法建立相應的低頻和高頻時間序列的SVM預測模型。

（4）將測試數(shù)據(jù)進行EMD分解，并將分解后的頻帶分量代入不同頻帶預測模型中，得到的預測值等權(quán)求和即可得到最終的預測結(jié)果。

3 算例分析

本文采用Matlab7.8調(diào)用libsvm工具箱編寫基于EMD分解和SVM的風速預測程序，選用某風場2011年的監(jiān)測數(shù)據(jù)，進行了實驗,下面介紹其中的兩組。這兩組實驗都選擇最近7天數(shù)據(jù)（共504點）進行訓練，對訓練數(shù)據(jù)進行EMD分解后，選擇徑向基函數(shù)作為SVM模型的核函數(shù)，采用交叉驗證法和網(wǎng)格搜索法確定模型參數(shù)。

實驗 1 對 5月 19日 17：40到 22日 6：40共 180個點進行提前40min預測，訓練數(shù)據(jù)選用5月12日17：40到19日17：40共504點，依據(jù)EMD分解算法對訓練數(shù)據(jù)的風速信號進行分解，分解的結(jié)果所示，共有6組IMF分量和1組剩余分量。對測試數(shù)據(jù)的輸入風速信號進行EMD分解的結(jié)果所示，共分解出4組IMF分量和1組剩余分量，分量個數(shù)小于訓練數(shù)據(jù)分解的頻帶分量個數(shù)，故選擇訓練數(shù)據(jù)的第3-6組IMF分量和剩余分量建立的預測模型進行預測。

經(jīng)計算，SVM模型的平均絕對百分比誤差為17.19%，均方根誤差為25.68%；而EMD與SVM復合模型的平均絕對百分比誤差為13.22%，均方根誤差為21.61%。通過對比預測曲線和實測風速曲線發(fā)現(xiàn)，SVM模型的預測值往往存在一定程度的“滯后”，經(jīng)過EMD分解以后擬合風速從一定程度上減小了“滯后”，因而更接近實測風速，預測精度明顯提高。

本實驗的SVM模型的平均絕對百分比誤差為14.21%，均方根誤差為19.21%；而EMD與SVM復合模型的平均絕對百分比誤差為11.39%，均方根誤差為16.14%。

綜合以上兩次實驗可知，未經(jīng)過EMD處理的SVM模型預測平均絕對百分比誤差在10%—20%之間，均方根誤差在20%—25%之間；經(jīng)過EMD預處理后平均絕對百分比誤差降到了15%以下，均方根誤差降到了15%—20%。因此，基于EMD和SVM的復合模型有效地提高了風速預測的精度。

4 結(jié)論

本文使用經(jīng)驗模式分解法和支持向量機建立復合預測模型進行風速的預測，經(jīng)過實驗證明是有效的，用經(jīng)驗模式分解法對風速時間序列進行分解后進行建模預測，減小了預測區(qū)縣的滯后，有效地提高了風速預測的精度。當然，風速預測難度較大，現(xiàn)在的研究還沒有達到預測極限，還需要進一步展開。

［1］丁明，張立軍，吳義純.基于時間序列分析的風電場風速預測模型[J].電力自動化設備,2005,25（8）：32-34.

［2］WATSON S J,LANDBERG L,HALLDAY J A,Application of wind forecasting to the intergration of wind energy into a large scale power system[J].IEE Procgener,Transm,Distrih,1994,141(4):357-362.

［3］BILLINTON R，KARKI R.Application of Monte Carlo simulation to genemting system well-being analysis[J].IEEE Trans.on Power Systems，1994,14(3)：1172-1177.

［4］M.Alexiadis,P.Dokopoulos,H.Sahsamanoglou,I.Manousaridis,short term forecasting of wind speed and related electrical power[J].solar energy,1998,63(1).

［5］EA.Bossanyi.Short-term wind prediction using Kalman filters[J].Wind Engineering,1985,9.

［6］Damous,I.G,Dokopoulus,P,A.A fuzzy expert system for the forecasting of wind speed and power generation in wind farms[C].IEEE Power Industry Computer Application Conference,2001.

［7］李文良，衛(wèi)志農(nóng)，孫國強，完整，繆偉.基于改進空間相關(guān)法和徑向基神經(jīng)網(wǎng)絡的風電場短期風速分時預測模型 [J].電力自動化設備2009,29（6）：89-92.

［8］周培毅，張新燕.基于時間序列與支持向量機的風電場風速預測研究[J].陜西電力,2009年12期.

［9］邵璠，孫育河，梁嵐珍.基于時間序列法的風電場風速預測研究[J].自動化儀表,2008,29(11):21-24.

The Study on Short Time Forecast of Wind Speed Based on EMD and SVM

CHEN Ran1，2
(1.North China Electric Power University,Baoding Hebei,071000,China,2.Shenhua Hebei Cangdong Power Co.,Ltd.,Cangzhou Hebei,061113,China)

As an important renewable energy，wind energy is paid great attention by all countries.It is of great significance to predict wind speed accurately for the power system which includes large amounts of wind power.In order to improve the accuracy of wind speed prediction,the paper proposed a model based on empirical mode decomposition(EMD)and support vector machines(SVM).The wind speed time series is made EMD at first,then establish appropriate support vector machine model by different frequency bands,finally sum the output value of each model equal right to get the final result.In this paper,a model was built with real date from wind farm to predict wind speed before 40min.The examples show that the model can effectively improve the accuracy of wind speed forecasting.

Wind speed；Forecasting；SVM；EMD

陳冉（1983—），男，河北滄州人，大學本科，助理工程師，在職研究生在讀，研究方向為工業(yè)工程。

曹明明］