基于时间序列与支持向量机的风电场风速预测研究

《基于时间序列与支持向量机的风电场风速预测研究》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、基于时问序列支持向量机白勺风电塌风速预测研究周培毅，张新燕(新疆大学电-z_r-~学院，新疆乌鲁木齐830008)表达式为I1．O引言=1一1一⋯一，=一0laf_l一⋯一Oqa,(1)式(1)即记为ARMA~，q)。其中，P、q为自回归项目前．可再生能源特别是风能的开发利用已得和移动平均项的阶数；参数、。、为自回归系数；到世界各国的高度重视，从技术成熟性和经济可行0、02Oq为移动平均系数，是模型的待估参数；q为随性看风电在可再生能源中具有很好的发展前景，在机项．、风速为随机变量，Box．Jenkins法是随机时间序远期有可能成为世界重要的替代能源

2、㈣。准确预测列分析的主要方法之一。风速是一个具有明显随机风速可以减少电力系统运行成本，埘于电网调度和性的序列，所以该方法中『天I变量是待预测的Jx【速，自资源配置具有重要意义Ii。变量是风速一身的历史值I“l，，}_}j于风速和风力发电目前，风速预测的方法有卡尔曼滤波法(Kalman功率的预测Box．Jenkins法利用大量的历史数据来fihers)1I、时问序列法(timeseriesmethod)[、人T神经建模，经过模型识别、参数估计、模型检验来确定一网络法(ANN)、模糊逻辑法(fuzz)，logic)／等。随机时个能够描述所研究时间序列的数

3、学模型，冉南该模间序列法建模所需信息少．运算方便，应用广泛，是型推导li21随机时间序列模型的基木原理分述如下。费用最少的风速预测模型。该方法仪需要最近几个(1)广j回归模型AR(p)小时的风速数据，就可对末来风速进行预测。随机时(B)=嘶(2)间序列模型分为自回归R)模型、滑动平均(MA)模式中：B为延迟算子，一1；p为模型的阶数；为型、自回归一滑动平均(ARMA)模型等。本文选取时问序列的当前值；为随机干扰。(B)=1一B一·ARMA和支持向量机这2种方法研究风速预测B／，且要求满足平稳性条件：(B)=0的根全存单位网外。在AR模型中，当前时刻的

4、观测值H由过去p个1时间序列法预测风速的原理历史时刻的观测值和一个当前时刻的随机干扰表示。(2)滑动平均模型MA(q)时间序列分析建模最大的优点在于不必深究信=(B)q(3)号序列的产生背景，序列本身所具有的时序件和F1式巾：q为阶数。(B)=1—0一一OqBq，并且要求满足可相关性已经为建模提供了足够的信息_9l，这种方法逆性条件：(B)=0的根全在单位阿外。在滑动平均模只需单一风速时间序列即可预测，实现比较简单。型中，当前时刻的观测值由随机十扰的门噪声序ARMA模型可以理解为：序列当前值是现在和列的线性组合表示。过去的误差以及先前的序列值的线性组

5、合，其数学(3)fLl回归一滑动平均模~ARMA(p，q)收稿日期：2009—1l一15基金项目：水文受【q家自然科学基金项同(50767003)、新魍自治区教育厅科研资助项口(XJEI)I2007105)资助。作者简介：用堵毅(1983一)，男，新船I鲁小齐人，坝十f究牛，研究方向为J~U．s发电与并网拽术特稿专逮EGAOZHUAND(B)：(B)q(4)是回归允许的最大误差，控制支持向量的个数和由AR、MA、ARMA模型描述的时间序列称为平泛化能力，其值越大，支持向量越少。利用对偶原理，稳时间序列。本文对风速观测数据序列建立自同同时引入拉格朗日乘

6、子和核函数，将式(9)转化为：k归一滑动平均模型。max一百1∑㈣㈣一∑+∑模型定阶是指确定模型ARMA(p，q)中的p和g，i4'=1／=1／=1这也是建模过程中最复杂的部分。本文采用Pandi—，wu的建模方案[13】，即ARMA(p，P一1)，这样问题就由s．t．／∑i-1(一)=0(1o)【原来的需定出p和92个参数变成只需定出一个参数P，大大简化了计算过程。本文运用模型ARMA(3，2)此时，：E(ai-a3~(x)进行短期风速预测解上述凸二次规划问题得到非线性映射表示：2支持向量机预测风速原理[14])=(ai—a~K(x3+b(11)支

7、持向量机(SVM)的基本思想是通过刖内积函对于时间序列。，⋯，Xn}，i=1，2，⋯，11,，{Xnl是数定义的非线性变换将输入空问变换到一个高维空预测的目标值，建立自相关输入与输出=}之间间，在这个高维空间中寻找输入变量和输出变量之的映射关系：尺m一，m为嵌入维数。间的一种非线性关系I。支持向量机回归算法：给定对支持向量机进行训练的回归函数为：个样本数据，其值表示为：，Yk}，式中∈R的1／,维：∑(a,-a3K(xW,>，+6(12)向量，Yk∈R为相对应的输}}l变量，[n1归算法的基本l思想是通过一个非线性映射，将数据集映射到高：，n+1．⋯

8、．n维特征空间H，并在这个空间进行线性回归。具体的得到第一步预测为：函数形式可表示为：：∑(q一。，x—o-