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-论文.pdf

《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-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第35卷第2期太阳能学报V0l_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柳玉，曾德良2，刘吉臻2，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

2、，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，引人风速数据处理方法对风速进行分解后预测U引舌可大大提高预测精度，其主要方法有：EMD分解J、近年来，风力发电机组单机容量和大型并网风小波分解算法等。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随机性、

3、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。本文提出小波包变换算法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1风速预测模型建立测误差

4、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，本定难度大；空间相关性法是通过临近空间点的风文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

5、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(1985一)，男，博士、1二程师，主要从事新能源电力方面的研究。ncepuly@126．com216太阳能学报35卷小波包分析方法可对所有频带均进行分解，但由表1预测结果表明，采用最优小波树分解的预测实际中，部分高频部分信号并不需要继续分解，

6、熵是模型相对原有算法的准确度有所提高，但运算次数信号处理领域常用的概念，它能准确描述给定信号和时间均有所增加。和信息相关的特性，非常有利于二叉树结构的高效搜索和小波包分解的基本分割。可根据不同的熵准则来计算最优小波包基，并确定最优小波树的分解。本文采用应用较广泛的Shannon熵，其计算公式为：E(s)=一∑s2lg(s)，01g(0)：0(7)图4最优小波包分解图Fig．4Theoptimalwaveletpacketdecomposition式中，s——信号；s——信号S在一个正交小波包基上的投影系数。1．3基于综合算法的风速预测模型本文对风速预测建模方法采用小波包分析算法与LssVM

7、算法相结合，主要流程示意图如图3所示。图5基于LSSVM的风速单步预测结果Fig．5PredictionofwindspeedbasedonLSSVM图3风速预测模型流程图图6基于最优小波包和LSSVM的风速单步预测结果Fig．3FlowdiagramofwindspeedpredictionmodelFig．6PredictionofwindspeedbasedonLSSVMand风速在相同的季节具有较近似的规律，本文