基于优化相关向量机的短期风速预测方法
【专利摘要】本发明涉及一种基于优化相关向量机的短期风速预测方法，该方法包括以下步骤：S1：数据准备；S2：对准备数据进行预处理；S3：对预处理后的数据进行小波变换；S4：对小波变换后的数据进行归一化处理；S5：基于PACF对归一化后数据进行输入变量的选择；S6：在步骤S5生成的RVM样本空间上预测分解序列；S7：将各分解序列预测结果相加，得到短期风速预测值。与现有预测方法相比，本发明的方法具有较强的泛化能力；通过PACF选择输入变量，有效减少了输入变量和冗余信息；通过智能优化算法对相关向量机参数进行优化，确保模型最优；具有较高的预测精度，实现成本较低，易于推广应用。
【专利说明】基于优化相关向量机的短期风速预测方法
【技术领域】
[0001] 本发明涉及风速预测【技术领域】，特别涉及一种基于优化相关向量机的短期风速预 测方法。
【背景技术】
[0002] 风力发电是一种清洁的可再生能源，开发利用相对简单，因此越来越受到世界各 国的重视。有效的风速预测是风力发电研究的基础环节，是并网风电场风电功率预测预报 系统建立和运行的必要前提及保证。而风速本身的随机性和波动性等特点，给风速预测带 来了较大的困难。
[0003] 目前，风电场短期风速预测常见的方法有时间序列法、卡尔曼滤波法（Kalman Filters，KF)以及人工神经网络（Artificial Neural Networks，ANN)、支持向量机（Support Vector Machine, SVM)等智能预测方法。时间序列预测法利用序列自身数据即可建立较高 精度的预测模型，但存在低阶模型预测精度偏低、高阶模型参数估计难度偏大等不足。KF法 的优点是可以动态修改预测权值，通过预测递推方程获得较高的预测精度，但卡尔曼状态 方程和测量方程建立较为困难。ANN具有自学习、自组织和自适应能力，并具有较强的非线 性映射能力，但最优网络结构确定存在困难、参数选择存在较大随机性，并且模型存在过度 拟合等问题。随着对SVM研究的逐步深入，应用SVM进行风速预测的研究也逐渐增加，并取 得良好效果，但存在缺少概率因素、核函数的选取必须满足Mercer条件等局限性，因此限 制了其进一步发展。
[0004] 为克服现有技术的不足，本发明提出一种基于相关向量机（Relevance Vector Machine，RVM)的短期风速预测方法。相关向量机是在SVM基础上发展起来的一种新的机 器学习方法，在负荷和功率预测、缺陷检测图像识别等领域展开了应用研究并取得一定成 果。小波变换（Wavelet Transform, WT)是进行信号处理的有效工具，常用来对原始风速数 据序列进行处。遗传算法（Genetic Algorithm, GA)是一种基于自然选择和遗传规律的启 发式、并行全局搜索最优方法，其主要源自于自然界的选择和进化理论，常用来解决目标函 数的多参数优化问题。本发明首先应用小波变换将原始风速数据序列变换为概貌序列和细 节序列，然后对各分解序列分别建立相关向量机模型，同时通过遗传算法对各相关向量机 核参数进行优化，输出最佳预测模型并进行滚动预测，最后将各分解序列的预测值相加得 到原始信号的最终预测值。
【发明内容】
[0005] 为了克服现有预测方法的不足，本发明公开了一种基于优化相关向量机的短期风 速预测方法，该方法结构紧凑，操作简单，预测精度较高。
[0006] 本发明公开了以下技术方案：
[0007] -种基于优化相关向量机的短期风速预测方法，其特征在于，该方法包括 以下步骤：S1 :数据准备；S2 :对准备数据进行预处理；S3 :对预处理后的数据进行 小波变换；S4:对小波变换后的数据进行归一化处理；S5:基于PACF(偏自相关函数 Partial-Correlations Function)对归一化后数据进行输入变量的选择；S6:在S5生成的 RVM样本空间上预测分解序列；S7:将各分解序列预测结果相加，得到短期风速预测值。
[0008] 较佳地，本发明所述的短期风速预测方法，其中步骤S1具体为根据预测时间分辨 率，将需要预测风电场的历史风速数据用EXCEL表格导出并保存。
[0009] 较佳地，本发明所述的短期风速预测方法，其中步骤S2具体为对缺失、异常数据 进行处理。
[0010] 较佳地，本发明所述的短期风速预测方法，其中步骤S3具体为应用小波变换对原 始风速时间序列进行分解和重构，从而得到一个概貌序列和若干个细节序列，以剔除序列 的不规则波动。
[0011] 较佳地，本发明所述的短期风速预测方法，其中步骤S4具体为对分解后的风速进 行归一化々卜理.所沭丨内一仆力卜理公式加下所示：
[0012]
【权利要求】
1. 一种基于优化相关向量机的短期风速预测方法，其特征在于，该方法包括以下步骤： Sl:数据准备；S2 :对准备数据进行预处理；S3 :对预处理后的数据进行小波变换；S4 :对小 波变换后的数据进行归一化处理；S5 :基于PACF对归一化后数据进行输入变量的选择；S6 : 在S5生成的RVM样本空间上预测分解序列；S7 :将各分解序列预测结果相加，得到短期风 速预测值。
2. 根据权利要求1所述的方法，其特征在于，步骤Sl具体为根据预测时间分辨率，将需 要预测风电场的历史风速数据用EXCEL表格导出并保存。
3. 根据权利要求1所述的方法，其特征在于，步骤S2具体为对缺失、异常数据进行处理 后得到原始风速时间序列。
4. 根据权利要求3所述的方法，其特征在于，步骤S3具体为应用小波变换对原始风速 时间序列进行分解和重构，从而得到一个概貌序列和若干个细节序列，以剔除序列的不规 则波动。
5. 根据权利要求4所述的方法，其特征在于，步骤S4具体为对分解后的风速进行归一 化处理，所述归一化处理公式如下所示：
公式（1)中，Xli、4分别表示数据归一化前、后的值，ylmax、ylmin*别表示要归一化的映 射区间的最大值1与最小值-1，xlmax、Xlmin分别表示样本数据中的最大、最小值。
6. 根据权利要求1-4中任意一项所述的方法，其特征在于，步骤S6具体包括如下步 骤： S6. 1 :将样本空间划分为训练集和验证集； S6. 2 :相关向量机模型选用径向基核函数，所述径向基核函数公式如下： A-(.v,,.V:,) = t'xp(-^-) (2) 公式（2)中，X2为输入向量，X2i为训练集中第i维输入向量，〇2为核函数的宽度，K(x2,x2i)表示径向基核函数； S6. 3 :初始化建立相关向量机模型，根据训练集应用相关向量机模型进行训练，输出训 练丰吴型； S6. 4 :根据训练模型应用验证集进行验证，输出验证集绝对平均百分比误差Impe，其计 算公式如下：
公式⑶中，y' 3i为预测值，y3i为实际值，N为样本数； S6. 5 :根据验证集Imape进行遗传算法优化，遗传算法优化参数为径向基核函数核宽度σ2； S6. 6 :输出各分解序列最佳相关向量机预测模型； S6. 7 :应用各分解序列最佳相关向量机预测模型对预测集各点进行滚动预测；得到新 的预测点预测值以后，将该点作为已知值滚动预测下一个预测点，最终输出各分解序列预 测结果。
7.根据权利要求6所述的方法，其特征在于，步骤S7具体为根据小波分解和单支重构 后的整合原理，将各分解序列的预测结果相加即得到原始风速的最终预测值，即 y4=aJ+TJd· ⑷ i=l 公式⑷中，j是分解序列次，< 为概貌序列预测值，< 为各细节序列预测值，y4是最 终预测值。
【文档编号】G06F19/00GK104239689SQ201410406731
【公开日】2014年12月24日 申请日期:2014年8月18日 优先权日:2014年8月18日
【发明者】刘达, 王继龙, 牛东晓, 王辉 申请人:华北电力大学