基于小波-回歸支持向量機(jī)算法的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)

孫義 王強(qiáng) 張軍

(神華科學(xué)技術(shù)研究院,北京 102211)

基于小波-回歸支持向量機(jī)算法的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)

孫義 王強(qiáng) 張軍

(神華科學(xué)技術(shù)研究院,北京 102211)

將小波多分辨率分析特點(diǎn)和回歸支持向量機(jī)算法良好的泛化性能相結(jié)合,建立小波-回歸支持向量機(jī)風(fēng)速預(yù)測(cè)模型。先將原始風(fēng)速序列經(jīng)小波分解成輪廓分量和細(xì)節(jié)分量,再對(duì)各分量分別應(yīng)用支持向量機(jī)模型進(jìn)行預(yù)測(cè),最后將各分量的預(yù)測(cè)結(jié)果經(jīng)小波重構(gòu)得到原始風(fēng)速序列的預(yù)測(cè)值。仿真表明該方法能夠改善預(yù)測(cè)滯后現(xiàn)象以及減小突變點(diǎn)誤差,從而提高模型的泛化性能和預(yù)測(cè)精度。

風(fēng)速預(yù)測(cè) 回歸支持向量機(jī) 小波多分辨率分析 算法

1 引言

風(fēng)電場(chǎng)輸出功率與風(fēng)電場(chǎng)風(fēng)速有很大關(guān)系，風(fēng)速呈現(xiàn)出很強(qiáng)的隨機(jī)性，當(dāng)超過(guò)一定閾值后對(duì)并網(wǎng)后的電能質(zhì)量和電網(wǎng)運(yùn)行可靠性均有較大影響。對(duì)風(fēng)電場(chǎng)風(fēng)速進(jìn)行較準(zhǔn)確的預(yù)測(cè)，對(duì)于風(fēng)電場(chǎng)的規(guī)劃選址、風(fēng)力發(fā)電功率的預(yù)測(cè)和電力部門及時(shí)調(diào)整調(diào)度計(jì)劃都具有重要的現(xiàn)實(shí)意義[1-3]。

風(fēng)速統(tǒng)計(jì)預(yù)報(bào)方法主要包括：持續(xù)法[4]、時(shí)間序列的線性自回歸移動(dòng)平均(ARMA)算法[5，6]、卡爾曼濾波法[6，7]、基于人工智能的人工神經(jīng)網(wǎng)絡(luò)法[8-11]和支持向量機(jī)[3，12]以及代表發(fā)展趨勢(shì)的組合預(yù)測(cè)方法[13-15]。但是預(yù)測(cè)結(jié)果存在精度不夠高以及滯后現(xiàn)象等問(wèn)題。利用小波多分辨率分析方法，將風(fēng)速序列分解成輪廓分量和不同頻率的細(xì)節(jié)分量，然后分別預(yù)測(cè)，可得到更高的預(yù)測(cè)精度。為進(jìn)一步提高風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)精度，本文充分考慮小波多分辨率分析技術(shù)和支持向量機(jī)優(yōu)越的泛化性能，將兩者相結(jié)合，即用小波分析將風(fēng)速序列分解成輪廓分量和各個(gè)細(xì)節(jié)分量，然后對(duì)各分量分別用SVM進(jìn)行預(yù)測(cè)，最后經(jīng)重構(gòu)得到原始風(fēng)速序列的預(yù)測(cè)值。將該方法應(yīng)用于實(shí)際風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)，取得了較好的效果。

2 小波分解與重構(gòu)

小波分析具有良好的時(shí)域和頻域的“顯微鏡”功能，在分析信號(hào)的局部特征方面具有突出優(yōu)點(diǎn)，且對(duì)突發(fā)或短時(shí)的信息分析具有明顯的優(yōu)勢(shì)。小波多分辨率分析[16]就是由不同的分辨率對(duì)信號(hào)進(jìn)行逐級(jí)逼近，用小波函數(shù)和尺度函數(shù)對(duì)信號(hào)進(jìn)行不同尺度的分解，可以獲得不同尺度下的局部信號(hào)特征。

小波分解與重構(gòu)如圖1所示，可見多分辨率只對(duì)低頻部分進(jìn)行逐步分解，而高頻部分則不予以考慮，使得對(duì)頻率的分辨率越來(lái)越高。分解與重構(gòu)有如下關(guān)系：.這里只做三層分解，如進(jìn)一步分解，把低頻部分a3分解成低頻部分a4和高頻部分d4即可，依此類推。

圖1 三層多分辨分析樹狀結(jié)構(gòu)圖

3 回歸支持向量機(jī)

支持向量機(jī)應(yīng)用于回歸方面，主要有Vapnik提出的ε-回歸支持向量機(jī)(ε-SVR)[17-19]。函數(shù)擬合問(wèn)題即存在一個(gè)未知函數(shù)為d維輸入樣本，y∈R為樣本輸出，要求函數(shù)使得函數(shù) f和之間的誤差最小，其中L為懲罰函數(shù)，由于函數(shù)未知，故只能根據(jù)已知樣本通過(guò)回歸分析求f。設(shè)有回歸函數(shù)用于擬合樣本數(shù)據(jù)，假設(shè)所有訓(xùn)練樣本在給定精度ε下用該函數(shù)擬合，即：

約束條件為：

求解上述問(wèn)題并引入核函數(shù)K(x,x')后，得到w和待估計(jì)函數(shù)：

4 風(fēng)速的小波-回歸支持向量機(jī)預(yù)測(cè)

選取我國(guó)某風(fēng)電場(chǎng)3月1日-7日的風(fēng)速時(shí)間序列數(shù)據(jù)，記為x(t)，記錄間隔為10min(世界氣象組織和我國(guó)規(guī)定將10分鐘平均時(shí)距作為平均風(fēng)速的標(biāo)準(zhǔn)時(shí)距)。選取db4小波對(duì)原始風(fēng)速時(shí)間序列數(shù)據(jù)x(t)進(jìn)行三層小波分解，具體模型如圖2所示，得到相空間的輪廓分量即低頻尺度分量和高頻細(xì)節(jié)分量

圖2 wavelet--SVR智能算法風(fēng)速預(yù)測(cè)模型

下面通過(guò)構(gòu)造樣本分別對(duì)低頻尺度分量和高頻細(xì)節(jié)分量運(yùn)用回歸SVM模型進(jìn)行計(jì)算，1-6日風(fēng)速數(shù)據(jù)作為訓(xùn)練樣本，預(yù)測(cè)第7日的24小時(shí)風(fēng)速。首先用回歸SVM模型分別計(jì)算得到風(fēng)速的尺度分量與細(xì)節(jié)分量，分別如圖3和圖4所示。然后將各分量預(yù)測(cè)結(jié)果進(jìn)行疊加重構(gòu)，得到第7日的風(fēng)速預(yù)測(cè)值，預(yù)測(cè)曲線如圖5所示。

同時(shí)，本文還分別采用偏最下二乘法(PLS)、人工神經(jīng)網(wǎng)絡(luò)(ANN)、回歸支持向量機(jī)(SVR)以及組合預(yù)測(cè)等預(yù)測(cè)方法對(duì)風(fēng)速進(jìn)行了預(yù)測(cè)。其中，為了減小初始化造成預(yù)測(cè)結(jié)果的不確定性，ANN結(jié)果取8次的平均值。對(duì)預(yù)測(cè)效果的的評(píng)價(jià)常采用平均絕對(duì)誤差(MAE)、平均絕對(duì)百分比誤差(MAPE)和均方根誤差(RMSE)，本文采用MAPE和RMSE兩個(gè)評(píng)價(jià)指標(biāo)。

圖3 尺度分量a3的預(yù)測(cè)曲線

圖4 風(fēng)速細(xì)節(jié)分量的預(yù)測(cè)曲線

圖5 小波-SVR提前1天風(fēng)速預(yù)測(cè)曲線

表1 各種方法預(yù)測(cè)效果比較

5 結(jié)語(yǔ)

本文采用Wavelet-SVR智能算法對(duì)風(fēng)電場(chǎng)風(fēng)速進(jìn)行預(yù)測(cè)，改善了預(yù)測(cè)效果。首先，對(duì)風(fēng)速時(shí)間序列數(shù)據(jù)進(jìn)行多分辨分析的三層分解，分解后的序列數(shù)據(jù)各分量信息更加集中，保持了各個(gè)時(shí)間點(diǎn)局部細(xì)節(jié)信息;其次，對(duì)分解后各序列數(shù)據(jù)采用回歸支持向量機(jī)智能算法進(jìn)行建模預(yù)測(cè)，支持向量機(jī)基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化，具有完備的理論基礎(chǔ)和泛化推廣性能，并能夠克服小樣本條件下學(xué)習(xí)不足的問(wèn)題。最后將各預(yù)測(cè)分量進(jìn)行重構(gòu)，并將重構(gòu)結(jié)果和其他方法進(jìn)行比較，某風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)實(shí)例表明Wavelet-SVR智能算法預(yù)測(cè)效果較好，準(zhǔn)確性更高，具有較大的工程應(yīng)用價(jià)值。

[1]Alexiadis M,Dokopoulos P,Sabsamanoglou H,et al.Short term forecasting of wind speed and related electrical power[J].Solar Energy,1998,63(1)：61-68.

[2]劉永前,韓爽,胡永生.風(fēng)電場(chǎng)出力短期預(yù)報(bào)研究綜述[J].現(xiàn)代電力,2007(5)：6-11.

[3]張華,曾杰.基于支持向量機(jī)的風(fēng)速預(yù)測(cè)模型研究[J].太陽(yáng)能學(xué)報(bào),2010(7)：928-933.

[4]Alexiadis M C,Dokopoulos P S,Sahsamanoglou H S, etal.Short term forecasting of wind speed and related electrical power[J].Solar Energy,1998,63(1)：61-68.

[5]邵璠,孫育河,梁嵐珍.基于時(shí)間序列法的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)研究[J].華東電力,2008(7)：26-29.

[6]潘迪夫,劉輝,李燕飛.基于時(shí)間序列和卡爾曼濾波算法的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)優(yōu)化模型[J].電網(wǎng)技術(shù),2008(7)：82-86.

[7]Bossanyi E A.Short-term wind prediction using Kalmanfilters[J].Wind Engineering,1985(1)：1-8.

[8]楊秀媛,肖洋,陳樹勇.風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)研究[J].中國(guó)電機(jī)工程學(xué)報(bào),2005(11)：1-5.

[9]Cadenas E,Rivera W.Short term wind speed forecasting in La Venta,Oaxaca,Mexico,using artificial neural networks[J].Renewable Energy,2009,34(1)：274-278.

[10]Mohandes Mohamed A,Rehman Shafiqur,Halawani Talal O.A neural networks approach for wind speed prediction[J].Renewable Energy,1998,13(3)：345-354.

[11]Beyer H G,Degner T,Hausmann J,et al.Short-term prediction of wind speed and power output of a wind turbine with neural networks[C].Proceedings of the 2nd European Congress on Intelligent Techniques and Soft Computing[C].Aachen,Germany,1994,20-23.

[12]杜穎,盧繼平,李青,等.基于最小二乘支持向量機(jī)的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)[J].電網(wǎng)技術(shù),2008(15)：62-66.

[13]劉永前,翰爽,楊勇平,等.提前三小時(shí)風(fēng)電機(jī)組出力組合預(yù)報(bào)研究[J].太陽(yáng)能學(xué)報(bào),2007(8)：839-843.

[14]Lange B, Rohrig K,Emst B,et al.Wind Power prediction in Germany-Recent advances and future challenges[C].European Wind Energy Conference[C],Athens,2006.

[15]彭懷午,劉方銳,楊曉峰.基于組合預(yù)測(cè)方法的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)[J].太陽(yáng)能學(xué)報(bào),2011(4)：543-548.

[16]王保國(guó),朱俊強(qiáng).高精度算法與小波多分辨分析[M].北京：國(guó)防工業(yè)出版社,2013.

[17]Vapnic V.The nature of statistical learning theory[M].New York：Springer-Verlag,1995.

[18]Pai Pingfeng,Hong Weichiang.Forecasting regional electricity load based on recurrent support vector machines with genetic algorithms[J].Electric Power System Research,2005,74(3)：417-425.

[19]Chen Bojuen,Chang Mingwei,Lin Chihjen.Load forecasting using support vector machines：A study on EUNITE competition 2001[J].IEEE Transactions on Power Systems,2004,19(4)：1821-1830.

The multi-resolution analysis of wavelet and the good generalization performance of support vector machine regression were considered sufficiently in this paper,and a wind speed prediction model based on wavelet analysis and support vector machine regression was established.The original wind speed sequences are decomposed into coarse components and detail components firstly.Then every wavelet components are separately predicted with corresponding support vector machine regression models.Finally,the prediction results of original wind speed series are achieved by using wavelet reconstruction.The empirical results show that the method is capable of improving the lag of predicting values and reducing the error of upheaval point,hence,it can increase generalization performance and prediction precision.

wind speed prediction support vector machine regression wavelet multi-resolution analysis algorithm

中國(guó)工程院“能源金三角發(fā)展戰(zhàn)略研究”重點(diǎn)咨詢項(xiàng)目。

孫義(1980—),男,安徽宿州人,博士,工程師,研究方向：控制理論與算法建模。