基于小波包变换的最小二乘支持向量_省略_风速多步预测和信息粒化预测的研究_柳玉

《基于小波包变换的最小二乘支持向量_省略_风速多步预测和信息粒化预测的研究_柳玉》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第35卷第2期太阳能学报Vol.35，No．22014年2月ACTAENEＲGIAESOLAＲISSINICAFeb．，2014文章编号:0254-0096(2014)02-0214-07基于小波包变换的最小二乘支持向量机短期风速多步预测和信息粒化预测的研究12211柳玉，曾德良，刘吉臻，白恺，宋鹏(1．华北电力科学研究院有限责任公司，北京100045;2．华北电力大学新能源电力国家重点实验室，北京102206)摘要:讨论风电场短期风速多步预测和信息粒化预测，建模方法采用最小二乘支持向量机回归算

2、法，数据处理方法采用小波包变换算法，在小波变换的基础上有选择地分解高频部分，可进一步提升预测精度。最后，将该文所提的建模方法应用于短期风速多步预测和信息粒化预测。大量实例分析表明，多步预测方法可得到风速预测曲线，适用于含风电场的区域能源连续调度;信息粒化方法可处理冗余数据并得到较准确的风速预测的特征数据，能准确分析不同风电场或不同风电机组的机组特性。关键词:风速预测;最小二乘支持向量机;小波包变换;多步预测;信息粒化中图分类号:TK8文献标识码:A律，引入风速数据处理方法对风速进行分解后预测0引

3、言［8］可大大提高预测精度，其主要方法有:EMD分解、近年来，风力发电机组单机容量和大型并网风［7］小波分解算法等。力发电场的发电总量迅速增长，同时风力能源具有短期风速多步预测是将风速预测值作为下一步［1］随机性、波动性、反调节性，因此对电网的影响日的输入值，进行多次迭代计算，从而得到多步预测的益增加。为了保证电网与风电场的功率调度与安全结果。风速信息粒化预测是把风速数据划分为若干运行，进行准确有效的短期风速预测是必要和有意个信息粒，提取信息粒、分析特征值，并建立信息粒义的。化后的模型并进行预测

4、。本文提出小波包变换算法［2］短期风速预测是一种需要基于过去和现在和最小二乘支持向量机算法相结合的建模方法，建［3］的数据进行推广的统计方法。持续预测法是最立了风电场风速多步预测模型和风速信息粒化预测简单的风速预测方法，该方法将测量的最后一步数模型。据作为预测下一步的输入，只考虑一步的测量值，预［4，5］1风速预测模型建立测误差较大;时间序列法对风速时间序列进行线性化，但其低阶模型预测精度低，高阶模型参数整针对风速时间序列非线性和非平稳的特点，本［6］定难度大;空间相关性法是通过临近空间点的风文

5、提出小波包变换与最小二乘支持向量机相结合的速与预测点风速具有相关性的特点进行预测，但数方法建立短期风速预测模型。风速时间序列是单维据采集量很大，实际应用预测精度并不稳定;神经网时间序列，最小二乘支持向量机能较好地处理小样［7］络和支持向量机方法建立短期风速的非线性模本非线性问题，相对于传统的支持向量机回归算法，型，在处理非线性问题上表现出一定的优越性。在收敛速度更快;小波包变换算法在小波变换的基础实际应用中，直接对风速数据进行建模和预测并不上，对风速时间序列的高频部分进行更精细的分析，一定达到很

6、好的精度。有学者发现，风速数据通过并根据熵准则计算出最优小波树分解，提升了风速分解处理后，数据在各个频域具有近似的特征和规预测的准确度。收稿日期:2012-07-23基金项目:国家重点基础研究发展(973)计划(2012CB215203);国家自然科学基金(51036002)通信作者:柳玉(1985—)，男，博士、工程师，主要从事新能源电力方面的研究。ncepuly@126．com2期柳玉等:基于小波包变换的最小二乘支持向量机短期风速多步预测和信息粒化预测的研究215回归的结果为:1．1最小二乘

7、支持向量机n［9，10］f(x)=K(x，x)+b(4)支持向量机回归的基本思想是在Mercer∑αiii=1核展开定理的基础上，通过非线性映射把样本空间1．2小波包变换映射到高维特征空间(Hilbert空间)，在高维特征空所谓小波包，就是一个函数族。相对小波分析，间中进行线性回归，最后求解一个凸规划问题。由［12］［11］小波包分析能够为信号提供一种更精细的分析J.A.K.Suykens等提出的最小二乘支持向量机方法，它将频带进行多层划分，对多分辨分析没有细(LSSVM)算法采用最小二乘线性系

8、统代替标准分的高频部分进一步分解，有更广泛的应用价值。SVＲ算法中采用二次规划方法解决模式识别和函传统小波分解和小波包完全分解图如图1、图2。数估计的问题。与传统的支持向量机回归算法相比，减少了一个调整参数，减少了多个优化变量，因此简化了计算的复杂性，提高了收敛速度。设有非平稳时间序列样本集(xi，yi)，(i=1，…，n)，其中xi为输入，yi为输出。LSSVM的优化问题可描述为:n1212图1小波三层分解图minJ=‖w‖+γ∑ei22i=1Fig．1Waveletdecomposition