基于优化相关向量机的短期风速预测方法

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。

说明书

技术领域

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

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。

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(KalmanFilters，KF)以及人工神经网络(Artificial Neural Networks，ANN)、支持向量机(SupportVector 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。

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 VectorMachine，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

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。

本发明公开了以下技术方案：

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：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。

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。

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。

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。

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处理，所述归一化处理公式如下所示：

$>x_{1i}^{*}=\frac{(y_{1\max }-y_{1\min })\times (x_{1i}-x_{1\min })}{x_{1\max }-x_{1\min }}+y_{1\min }---\left(1\right)$>

公式(1)中，x_1i、分别表示数据归一化前、后的值，y_1max、y_1min分别表示要归一化的映射区间的最大值1与最小值-1，x_1max、x_1min分别表示样本数据中的最大、最小值。

较佳地，本发明所述的短期风速预测方法，其中步骤S6具体还包括如下步骤：

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：

$>K(x_2,x_{2i})=\exp (-\frac{\left|\right|x_2-x_{2i}\left|\right|}{{\sigma }^2})---\left(2\right)$>

公式(2)中，x₂为输入向量，x_2i为训练集中第i维输入向量，σ²为核函数的宽度，K(x₂,x_2i)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，输出训练模型；

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I_MAPE，其计算公式如下：

$>I_{\mathrm{MAPE}}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}(\frac{|y_{3i}^{\prime }-y_{3i}|}{y_{3i}}\times 100\%)---\left(3\right)$>

公式(3)中，y'_3i为预测值，y_3i为实际值，N为样本数；

S6.5：根据验证集I_MAPE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。

较佳地，本发明所述的短期风速预测方法，其中步骤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

$>y_4={\alpha }_j^{*}+\underset{i=1}{\overset{j}{\Sigma }}{d}_i^{*}---\left(4\right)$>

公式(4)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。

与现有预测方法相比，本发明的方法具有如下有益效果：

直接应用历史风速数据预测未来风速数据，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。

附图说明

图1为本发明实施例所述方法的流程示意图；

图2为本发明实施例所述数据结构示意图；

图3为本发明实施例所述预测结果示意图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步描述。

图1是本发明的方法的预测模型流程图。其中：

S1：数据准备；所述S1具体为：

S1.1：根据预测时间分辨率要求，将需要预测风电场的历史风速数据等用EXCEL表格导出，EXCEL表格表头结构如图2所示。

S1.2：如图2所示为本发明EXCEL数据表结构。其中，第一列为时间，其时间分辨率根据预测时间分辨率和历史风速数据信息进行确定，本实施例设置为30分钟；第二列为风速，单位为米/秒(m/s)。

S1.3：将上述数据以EXCEL文件形式进行保存。

S2：数据的预处理；其具体为参考《风电功率预测功能规范》对缺失、异常数据进行处理。

S3：小波变换：其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，得到一个概貌序列和若干个细节序列。在使用小波分解处理信号时，小波函数的选择和分解序列的确定至关重要，小波函数根据风速数据特点和风速时间序列的尺度分布情况进行选择。S3能够对原始风速数据进行降噪，剔除风速数据的不规则波动，提高预测的准确性。

S4：归一化处理；其具体为对分解后的各风速序列等数据进行归一化处理。当数据在远离零的区域学习时，学习速度较慢，甚至出现不收敛情况，因此需对样本数据进行归一化处理。本发明将分解后风速数据分别映射到[-1,1]之间，训练结束后，将仿真输出再反映射到原数据范围。归一化处理公式如下所示：

$>x_{1i}^{*}=\frac{(y_{1\max }-y_{1\min })\times (x_{1i}-x_{1\min })}{x_{1\max }-x_{1\min }}+y_{1\min }---\left(1\right)$>

上式中，x_1i、分别表示数据归一化前、后的值，y_1max、y_1min分别表示要归一化的映射区间的最大值1与最小值-1，x_1max、x_1min分别表示样本数据中的最大、最小值。步骤S4能够提高预测模型的敏感度，加快网络训练速度和收敛性。

S5：基于PACF的变量选择；其具体为应用偏自相关函数(Partial-CorrelationsFunction，PACF)对归一化后的各风速序列数据进行输入变量的选择。对于平稳时间序列x(t)，求出滞后k自相关系数时，实际上得到并不是x(t)与x(t-k)之间单纯的相关关系。因为x(t)同时还受到x(t-1)、x(t-2)、……、x(t-k+1)等中间k-1个随机变量的影响，而这k-1个随机变量又都和x(t-k)具有相关关系，所以该自相关系数实际包含着其他变量对x(t)与x(t-k)的影响。为了能单纯评价x(t-k)对x(t)的影响，引进PACF的概念。对于平稳时间序列x(t)，滞后k偏自相关系数指在剔除x(t-1)、x(t-2)、……、x(t-k+1)等中间k-1个随机变量的干扰之后，x(t-k)对x(t)影响的相关程度。在设定显著性检验常数情况后，k偏自相关系数的绝对值大于该值的时间点数据即确定为模型输入变量。通过S5可确定模型的输入变量，与由预测点实际风速组成的输出变量共同组成RVM样本空间。

S5通过PACF确定模型变量，克服了自相关法存在的原有风速数据序列之间由于相关性而产生的传导效应，在极大保留了原有风速数据的有效信息的同时减少了输入变量的维度和冗余信息，提高了模型的泛化能力。

S6：各分解序列预测；所述S6在S5生成的RVM样本空间上应用相关向量机进行训练，并应用遗传算法进行优化，其具体包括如下步骤：

S6.1：将RVM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(Radial Basis Function，RBF)。径向基核函数拟合性强，具有较强的学习能力，适用于高、低维以及大、小样本等多种情况。在理论研究和实际应用中，径向基核函数常被选为相关向量机的核函数，其数学表达式如下：

$>K(x_2,x_{2i})=\exp (-\frac{\left|\right|x_2-x_{2i}\left|\right|}{{\sigma }^2})---\left(2\right)$>

上式中，x₂为输入向量，x_2i为训练集中第i维输入向量，σ²为核函数的宽度，K(x₂,x_2i)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，输出训练模型；

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(MeanAbsolute Percentage Error，MAPE，记为I_MAPE)，其计算公式如下式：

$>I_{\mathrm{MAPE}}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}(\frac{|y_{3i}^{\prime }-y_{3i}|}{y_{3i}}\times 100\%)---\left(3\right)$>

公式(3)中，y'_3i为预测值，y_3i为实际值，N为样本数；

S6.5：根据验证集I_MAPE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。

S6应用相关向量机进行建模，充分利用了相关向量机的非线性映射能力强、对样本数据的依赖性相对较小、稀疏性好、核函数的计算量少等优点，且核函数可以任意使用且不用满足Mercer条件，模型具有更强的泛化能力。同时，S6应用遗传优化算法对相关向量机核参数进行优化，确保各分解序列预测模型最优，保证了预测的精度。

S7：预测结果相加；所述S7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

$>y_4={\alpha }_j^{*}+\underset{i=1}{\overset{j}{\Sigma }}{d}_i^{*}---\left(4\right)$>

公式(4)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。

应用本发明所提供的方法对某风力发电场进行短期风速预测。取2012年9月1日到9月29日数据作为模型样本集，预测2012年9月30日每半小时风速。本实施例根据风速数据特征采用Daubechies9函数、分解层设置为4，PACF显著性常数设为0.6，相关向量机选用径向基核函数核函数，其待优化参数为径向基核函数核函数的核宽度σ²。遗传算法种群规模100，终止代数20，交叉率0.8，变异率0.05，适应度函数为I_MAPE。应用本发明所提供的方法对某风力发电场进行短期风速预测，预测I_MAPE为10％左右，预测精度良好。图3给出了采用本发明所述方法进行短期风速预测的结果。

本文所提出的上述所有具体实施方式为示例性的，仅作为对本发明的解释和说明，并不作为对本发明保护范围的限制，本领域技术人员可根据不同实际情况作出改变和调整，而这些改变和调整均将落入本发明的保护范围内。