基于支持向量机的短期风速预测方法研究

摘要

能源问题是人类可持续发展过程中亟待解决的重大问题。随着常规能源濒临枯竭，可再生能源越来越受到世界各国的重视，风能在可再生能源发展中占据着重要的位置。风力发电从技术成熟性和经济可行性看，在可再生能源中具有较好前景。 由于自然风具有随机性、波动性及不可控制性，所以风力发电是间歇式发电，不能像常规发电那样进行调度。随着风力发电装机容量的不断增长，风电占所在电网的比例也在逐步增加。大容量的风电接入电网时会对电力供需平衡、电力系统的安全以及电能质量带来严峻挑战。如何可靠准确地根据风力发电输出电量情况对电网的运行进行合理调配是一个急需解决的问题。如果能对风电场风速进行短期预测，将有利于电力系统调度部门必要时提前调整调度计划，有效的减轻风电对电网的影响。如果预测精度达到一定的要求，还可以提高电力系统中风电的最大装机比例，最终提高风电的竞争力。 支持向量机（SVM）作为一种新型的机器学习方法，由于其出色的学习性能，近年来已经成为一个十分活跃的研究领域。用于回归估计的支持向量机方法（SVR）以可控制的精度逼近非线性函数，具有全局最优、良好泛化能力等优越性能，本文尝试将其应用于风电场风速的短期预测中。 本文以统计学习理论与支持向量机原理为基础，分析了常用的支持向量回归机、核函数及模型参数的性能，以及各种核函数与模型参数对支持向量机性能的影响和作用。针对风速预测中的小样本、非线性及高维回归等特点，将支持向量回归机方法引入短期风速的预测，构建了短期风速预测模型。并以某风电场采集的风速及其相关数据为例，详细阐述了支持向量回归机预测模型的具体建模和求解过程。对预测模型的参数先用Grid-search方法进行大范围搜索，得到参数（C，σ）的最优值，再用k-fold Cross validation方法进行选择，得到最佳参数组合。样本数据的训练及预测求解运用LIBSVM2.86软件包，通过对预测模型结果的分析，得出v-SVR模型具有更好的性能。

目录

文摘

英文文摘

声明

1绪论

1.1选题背景及意义

1.2风速预测的概念和特点

1.3风速预测的研究现状

1.4本文的研究内容及安排

2统计学习理论与支持向量机概述

2.1统计学习理论

2.1.1机器学习问题

2.1.2学习过程的一致性

2.1.3学习机器推广能力的界和VC维

2.1.4结构风险最小化原则

2.2支持向量机概述

2.2.1广义最优分类面

2.2.2线性支持向量机

2.2.3非线性支持向量机

2.2.4核函数

2.2.5支持向量回归机

3支持向量回归机的模型选择

3.1支持向量回归机模型

3.1.1 ε-支持向量回归机

3.1.2 ν-支持向量回归机

3.2核函数的选择与构造

3.3模型参数的选择与确定

4基于SVR的短期风速预测

4.1基于SVR的短期风速预测模型

4.1.1模型的构建

4.1.2模型的求解

4.2工具软件LIBSVM简介

4.2.1关于LIBSVM

4.2.2 LIBSVM使用方法

4.3短期风速预测实例分析

4.3.1数据的预处理

4.3.2模型参数(C，σ)的选取

4.3.3 ε-SVR模型参数的确定

4.3.4 ν-SVR模型参数的确定

4.4预测结果对比分析

4.4.1基于ε-SVR的短期风速预测

4.4.2基于ν-SVR的短期风速预测

4.4.3模型预测结果分析

5结论

5.1结论

5.2展望

致谢

参考文献

附录