CN103065202A - 一种基于组合核函数的风电场超短期风速预测方法 - Google Patents

Abstract

本发明公开了一种基于组合核函数的风电场超短期风速预测方法，采用基于组合核函数支持向量机，将小波核函数与多项式核函数结合，结合多项式核函数的全局性特点以及小波核函数的高精度和良好学习能力，有效地提高支持向量机模型的预测能力，减小预测误差。同时在支持向量机模型建立上，选择相似数据，分类建立模型，使得训练样本与测试样本有相似关系，从而增强了支持向量回归模型的非线性拟合能力。本发明通过组合核函数和相似数据的结合，提高了风速预测的精度。

Description

一种基于组合核函数的风电场超短期风速预测方法

技术领域

本发明属于风力发电系统中的超短期风速预测技术领域，更为具体地讲，涉及一种基于组合核函数的风电场超短期风速预测方法。

背景技术

目前，国内外对于风力发电各种课题的研究越来越深入，风电作为一种间歇性能源，具有很大的随机性和不可控制性，其输出功率的波动范围通常较大，速度较快，导致电网调峰、无功及电压控制十分困难，给电网的安全稳定及正常调度带来新的问题。

基于历史数据的风速预测的常用方法包括持续法、卡尔曼滤波法、随机时间序列法、神经网络法、模糊逻辑法、空间相关性方法和支持向量机法(supportvector machine，SVM)等。目前，风电场短期风速预测的绝对平均误差为25%-40%。

其中，基于小波核函数的支持向量机模型(wavelet support vector machine,WSVM)不仅对非平稳信号具有局部分析和特征提取的优点，而且能够在扩展空间中逼近任意非线性函数，具有较高的精度。然而，单一核函数具有其应用上的局限性，会直接影响风速预测的精度。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于组合核函数的风电场超短期风速预测方法，采用组合核函数，提高支持向量机模型的预测能力；并通过相似数据提取训练样本，增强了支持向量回归模型的非线性拟合能力，提高了超短期风速预测的精度。

本发明基于组合核函数的风电场超短期风速预测方法，其特征在于，包括以下步骤：

(1)、采集风电场的风速数据，按照时间顺序排列成风速的时间序列数据X，时间序列表达式为：

X＝{x_t,t＝1,2,...,N.}

其中，N为风速时间序列的个数；

(2)风速时间序列X的自相关度计算公式为：

$r_D=\frac{1}{(N-D)s^2}\underset{t=D}{\overset{N}{\mathrm{\Σ}}}(x_t-\mathrm{\μ})(x_{t-D}-\mathrm{\μ})$

其中，r_D为自相关度，0≤r_D≤100%，μ和s分别为风速时间序列的均值和标准差，D为嵌入维度，即选择的特征的个数；

设定一个自相关度的阈值r_T,0≤r_t≤100%，嵌入维度

(3)、对风速时间序列X进行归一化处理，换算为[0,1]的范围内的相对风速，归一化处理公式为：

${\tilde{x}}_t=\frac{N(x_t-\stackrel{\‾}{x})}{\underset{t=1}{\overset{N}{\mathrm{\Σ}}}(x_t-\stackrel{\‾}{x})}$

其中，

为归一化后的时刻t的相对风速，

为风速时间序列X的平均值，N为风速时间序列的个数；

(4)支持向量机模型的训练样本输入序列为时刻t前的历史风速序列，训练样本输出为t时刻的风速，根据嵌入维度D得到训练样本输入矩阵P：

$P=\left(\begin{array}{c}{\tilde{x}}_1,...,{\tilde{x}}_{D-2},{\tilde{x}}_{D-1},{\tilde{x}}_D\\ {\tilde{x}}_2,...,{\tilde{x}}_{D-1},{\tilde{x}}_D,{\tilde{x}}_{D+1}\\ ........................\\ {\tilde{x}}_{t-D},{\tilde{x}}_{t-D+1},...,{\tilde{x}}_{t-1}\\ ........................\\ {\tilde{x}}_{N-D},...,{\tilde{x}}_{N-3},{\tilde{x}}_{N-2},{\tilde{x}}_{N-1}\end{array}\right)=\left(\begin{array}{c}{P}_1\\ P_2\\ ...\\ P_{t-D}\\ ...\\ P_{N-D}\end{array}\right)$

输入矩阵P为n×D阶矩阵，其中，n＝N-D，行向量P_i,1≤i≤n表示时刻D+i的历史风速序列，即训练样本输入序列，每个元素p_il，1≤i≤n,1≤l≤D表示时刻i+l-1的风速；

训练样本输出矩阵Q：

$Q=\left(\begin{array}{c}{\tilde{x}}_{D+1}\\ {\tilde{x}}_{D+2}\\ ...\\ {\tilde{x}}_t\\ ...\\ {\tilde{x}}_N\end{array}\right)=\left(\begin{array}{c}{q}_1\\ q_2\\ ...\\ q_{t-D}\\ ...\\ q_{N-D}\end{array}\right)$

训练样本的输出矩阵Q为n×1阶矩阵，q_i,1≤i≤n表示时刻D+i的风速；

(5)对每个训练样本输入序列P_i,1≤i≤n，按照时间顺序比较风速时间序列所有时刻的值的大小，如果某一时刻的值比其前后两个时刻的值都要大或者小，那么记录此值为风速时间序列的一个极值点，同时记录此点在风速时间序列中的时刻。利用此方法可以找出风速时间序列上所有极值点集合H＝{h_m,m＝1,2,...,M.}和相应极值点的时刻集合U_m＝{u_m,m＝1,2,...,M.}，M为极值点的个数；

极值点将风速时间序列划分为线性分段，每个线性分段的斜率I_m为：

1≤m≤M-1，此线性分段的点在所有点中所占的比重ω_m为：

1≤m≤M-1，

建立风速时间序列相似特征I的分段线性表示为：

$I=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{I}_m{\mathrm{\ω}}_m$

设定阈值τ，τ＞0，当I≥τ，风速时间序列呈上升趋势；当-τ＜I＜τ，风速时间序列呈平缓趋势；当I≤-τ，风速时间序列呈下降趋势；据此可将训练样本输入序列P_i,1≤i≤n分为上升、平缓、下降三类；

(6)、小波核函数参数寻优，小波核函数表达式为：

$K(p_i,p_j)=\underset{l=1}{\overset{D}{\mathrm{\Π}}}h\left(\frac{p_{\mathrm{il}}-p_{\mathrm{il}}}{a}\right),$ 1≤i,j≤n

$h\left(v\right)=\cos (k\·\frac{v}{a})\·\exp (-\frac{v^2}{a^2})$

其中，a与k为可调参数；

求出参数a与k的最优取值，得到小波核函数；

(7)、建立组合核函数，组合核函数的公式为：

$K(p_i,p_j)={\mathrm{\ρ}}_1{((p_i\·p_j)+1)}^d+{\mathrm{\ρ}}_2\underset{l=1}{\overset{D}{\mathrm{\Π}}}h\left(\frac{p_{\mathrm{il}}-p_{\mathrm{jl}}}{a}\right).$ 1≤i,j≤n

其中，参数d由用户设置，ρ₁与ρ₂为组合系数；

求出ρ₁与ρ₁的最优取值，得到组合核函数；

(8)、以训练样本输入矩阵P作为组合核函数支持向量机模型的输入，以训练样本输出矩阵Q作为支持向量机模型的输出f(P)，根据相似特征分类进行模型训练，可得到三个支持向量机模型f_上升，f_平缓，f_下降；

(9)、将预测样本输入训练得到的支持向量机模型，计算预测样本的风速时间序列相似特征I_预测，当I_预测≥τ，预测样本风速时间序列呈上升趋势，采用支持向量机模型f_上升预测风速；当-τ＜I_预测＜τ，预测样本风速时间序列呈平缓趋势，采用支持向量机模型f_平缓预测风速；当I_预测≤-τ，预测样本风速时间序列呈下降趋势，采用支持向量机模型f_下降预测风速。

其中，步骤(6)中可调参数a与k通过网格法确定最优取值，包括以下步骤：

1)、设置参数a与k的寻优范围和寻优步长，在寻优范围内根据寻优步长制成网格；

2)、对网格上每一对a、k建立模型，进行交叉检验，选择交叉检验误差最小的一对a、k作为参数a、k的最优取值。

其中，步骤(7)中组合系数ρ₁与ρ₁的最优取值确定方法包括以下步骤：

1)、设定ρ₂＝1-ρ₁，令ρ₁＝0.1×n,n＝0,1,2,…,10，求出对应的ρ₂；

2)、对于每一对ρ₁、ρ₁分别训练模型，进行交叉检验，选择交叉检验误差最小的一对ρ₁、ρ₂作为参数ρ₁、ρ₂的最优取值。

本发明采用基于组合核函数支持向量机，提出一种误差最小的多项式核函数，将小波核函数与多项式核函数结合，多项式核函数是典型的全局核函数，具有较好的外推能力，能够提高模型的泛化能力，小波核函数具有很高的精度和学习能力，组合核函数能够有效地提高风速预测的精度。同时在支持向量机模型建立上，选择相似数据，分类建立模型，使得训练样本与测试样本有相似关系，从而增强了支持向量回归模型的非线性拟合能力。相似数据-分类建模，根据风速趋势分类并提前训练好模型，从而解决现有技术在预测样本变化时需要重新选择训练样本对模型进行训练的缺陷，提高风速预测的实时性。

附图说明

图1是基于组合核函数的风电场超短期风速预测方法的一种具体实施方式流程图；

图2是本发明根据支持向量机模型进行风速预测的流程图；

图3是采用本发明的风速预测仿真图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

图1是基于组合核函数的风电场超短期风速预测方法的一种具体实施方式流程图。如图1所示，本发明基于组合核函数的风电场超短期风速预测方法包括以下步骤：

S101：采集风电场的风速数据，按照时间顺序排列成风速的时间序列数据，以该历史风速的时间序列作为预测样本的原始数据，时间序列可表达为：

X＝{x_t，t＝1,2,...,N.}(1)

S102：选择训练样本历史风速的个数，即特征个数，也称为嵌入维度D。风速作为一个时间序列，具有很强的自相关性。嵌入维度D是由数据之间的自相关度来决定的。自相关度的计算公式为：

$r_D=\frac{1}{(N-D)s^2}\underset{t=D}{\overset{N}{\mathrm{\Σ}}}(x_t-\mathrm{\μ})(x_{t-D}-\mathrm{\μ})---\left(2\right)$

其中，r_D为自相关度，0≤r_D≤100%，μ和s分别为风速时间序列的均值和标准差。用户设定一个自相关度的阈值r_T,0≤r_T≤100%，就可以计算得到相应的嵌入维度

即在大于r_T的所有自相关度r_D集合中，取对应的D值最大的一个。

S103：对数据做归一化处理，即将历史风速数据换算为[0,1]的范围内的相对风速，将其作为支持向量机模型的输入。将训练样本的输入大小换算到[0,1]范围内，可减小支持向量机模型的不稳定性。

${\tilde{x}}_t=\frac{N(x_t-\stackrel{\‾}{x})}{\underset{t=1}{\overset{N}{\mathrm{\Σ}}}(x_t-\stackrel{\‾}{x})}---\left(3\right)$

其中，

为归一化后的时刻t的相对风速，

为风速时间序列X的平均值，N为风速时间序列的个数。

S104：建立支持向量机模型的训练样本。

支持向量机模型的训练样本输入序列为时刻t前的历史风速序列，训练样本输出为t时刻的风速，根据嵌入维度D得到训练样本输入矩阵P：

$P=\left(\begin{array}{c}{\tilde{x}}_1,...,{\tilde{x}}_{D-2},{\tilde{x}}_{D-1},{\tilde{x}}_D\\ {\tilde{x}}_2,...,{\tilde{x}}_{D-1},{\tilde{x}}_D,{\tilde{x}}_{D+1}\\ ........................\\ {\tilde{x}}_{t-D},{\tilde{x}}_{t-D+1},...,{\tilde{x}}_{t-1}\\ ........................\\ {\tilde{x}}_{N-D},...,{\tilde{x}}_{N-3},{\tilde{x}}_{N-2},{\tilde{x}}_{N-1}\end{array}\right)=\left(\begin{array}{c}{P}_1\\ P_2\\ ...\\ P_{t-D}\\ ...\\ P_{N-D}\end{array}\right)$

输入矩阵P为n×D阶矩阵，其中，n＝N-D，行向量P_i,1≤i≤n表示时刻D+i的历史风速序列，即训练样本输入序列，每个元素p_il，1≤i≤n,1≤l≤D表示时刻i+l-1的风速；

训练样本输出矩阵Q：

$Q=\left(\begin{array}{c}{\tilde{x}}_{D+1}\\ {\tilde{x}}_{D+2}\\ ...\\ {\tilde{x}}_t\\ ...\\ {\tilde{x}}_N\end{array}\right)=\left(\begin{array}{c}{q}_1\\ q_2\\ ...\\ q_{t-D}\\ ...\\ q_{N-D}\end{array}\right)$

训练样本的输出矩阵Q为n×1阶矩阵，q_i,1≤i≤n表示时刻D+i的风速。

S105：通过相似数据提取训练样本。

根据风速的变化趋势，本发明提出一种分类建模的方法，将训练样本分为三大类：上升，平缓，下降。

对风速时间序列选取具有相似特征的数据的方法为：对每个训练样本输入序列P_i,1≤i≤n，按照时间顺序比较风速时间序列所有时刻的值的大小，如果某一时刻的值比其前后两个时刻的值都要大或者小，那么记录此值为风速时间序列的一个极值点，同时记录此点在风速时间序列中的时刻。利用此方法可以找出风速时间序列上所有极值点集合H＝{h_m,m＝1,2,...,M.}和相应极值点的时刻集合U_m＝{u_m,m＝1,2,...,M.}，M为极值点的个数。

极值点将风速时间序列划分为线性分段，每个线性分段的斜率I_m为：

1≤m≤M-1，此线性分段的点在所有点中所占的比重ω_m为：

1≤m≤M-1，

建立风速时间序列相似特征I的分段线性表示为：

$I=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{I}_m{\mathrm{\ω}}_m$

设定阈值τ，τ＞0，当I≥τ，风速时间序列呈上升趋势；当-τ＜I＜τ，风速时间序列呈平缓趋势；当I≤-τ，风速时间序列呈下降趋势；据此可将训练样本输入序列P_i,1≤i≤n分为上升、平缓、下降三类。

S106：小波核函数参数寻优。

小波核函数的表达式为：

小波核函数表达式为：

$K(p_i,p_j)=\underset{l=1}{\overset{D}{\mathrm{\Π}}}h\left(\frac{p_{\mathrm{il}}-p_{\mathrm{jl}}}{a}\right),$ 1≤i,j≤n

本发明所用的小波母函数的表达式为：

$h\left(v\right)=\cos (k\·\frac{v}{a})\·\exp (-\frac{v^2}{a^2})$

其中a、k为可调参数，求出a与k的最优取值，得到小波核函数。

网格法的原理为：给出参数a、k的寻优范围与寻优步长，然后在寻优范围内根据a、k的寻优步长制成网格，对网格上每一对a、k参数值建立模型，做交叉检验，得到交叉检验误差最小的一组参数。

S107：将小波核函数与多项式核函数结合为组合核函数，组合核函数的公式为：

$K(p_i,p_j)={\mathrm{\ρ}}_1{((p_i\·p_j)+1)}^d+{\mathrm{\ρ}}_2\underset{l=1}{\overset{D}{\mathrm{\Π}}}h\left(\frac{p_{\mathrm{il}}-p_{\mathrm{jl}}}{a}\right).$ 1≤i,j≤n

其中，参数d由用户设置，ρ₁与ρ₂为组合系数；

S108：组合核函数组合系数ρ₁与ρ₁的最优取值，得到组合核函数。

设定取ρ₂＝1-ρ₁，令ρ₁＝0.1×n,n＝0,1,2,…,10，求出对应的ρ₂。对于每一对ρ₁、ρ₂，分别训练模型，得到模型的交叉校验结果，取误差最小的一对。

交叉检验法是十分常用的模型验证方法。其原理是将训练样本输入序列P_i,1≤i≤n分成容量相同的g个子集，并对模型训练g次。在第i次(i＝1,2,…,g)训练时，要用除了第i个子集的所有子集训练模型，再用得到的模型对第i个子集计算误差。以g次误差的平均数值作为模型推广能力的近似数值。

S109：以训练样本输入矩阵P作为组合核函数支持向量机模型的输入，以训练样本输出矩阵Q作为支持向量机模型的输出f(P)，根据相似特征分类进行模型训练，可得到三个支持向量机模型f_上升，f_平缓，f_下降。

S110：将预测样本输入训练得到的支持向量机模型，预测风速，得到风速预测结果并输出。

图2是本发明根据支持向量机模型进行风速预测的流程图。如图2所示，风速预测包括以下步骤：

S201：将预测样本输入训练得到的支持向量机模型。

S202：计算预测样本的风速时间序列相似特征I_预测。

S203：判断是否I_预测≥τ，如果结果为是，表示预测样本风速时间序列呈上升趋势，进入步骤S204；如果结果为否，进入步骤S205。

S204：采用支持向量机模型f_上升预测风速，得到风速预测结果并输出。

S205：判断是否I_预测≤-τ，如果结果为是，表示预测样本风速序列呈下降趋势，进入步骤S206；如果结果为否，即-τ＜I_预测＜τ，表示预测样本风速序列呈平缓趋势，进入步骤S207。

S206：采用支持向量机模型f_下降预测风速，得到风速预测结果并输出。

S207：采用支持向量机模型f_平缓预测风速，得到风速预测结果并输出。

实施例

以某风电场2012年6月的历史风速数据作为原始数据，训练样本数为882，预测样本数为378。

本实施例设置自相关度阈值r_T为70%，根据嵌入维度

得到此时对应的嵌入维度D＝2。对训练样本进行归一化处理。根据嵌入维度D得到支持向量机模型训练样本输入矩阵P和输出矩阵Q为：

$P=\left(\begin{array}{c}{\tilde{x}}_1,{\tilde{x}}_2\\ {\tilde{x}}_2,{\tilde{x}}_3\\ ......\\ {\tilde{x}}_{t-2},{\tilde{x}}_{t-1}\\ ......\\ {\tilde{x}}_{880},{\tilde{x}}_{881}\end{array}\right)=\left(\begin{array}{c}{P}_1\\ P_2\\ ...\\ P_{t-2}\\ ...\\ P_{880}\end{array}\right)$ $Q=\left(\begin{array}{c}{\tilde{x}}_3\\ {\tilde{x}}_4\\ ...\\ {\tilde{x}}_t\\ ...\\ {\tilde{x}}_{882}\end{array}\right)=\left(\begin{array}{c}{q}_1\\ q_2\\ ...\\ q_{t-2}\\ ...\\ q_{880}\end{array}\right)$

对每个训练样本输入序列P_i,1≤i≤880，找出风速时间序列上所有极值点集合H＝{h_m,m＝1,2,...,M.}和相应极值点的时刻集合U_m＝{u_m,m＝1,2,...,M.}，计算每个线性分段的斜率I_m和此线性分段的点在所有点中所占的比重ω_m，计算相似特征I。

本实施例中，设置选择相似特征的阈值τ＝0.003，将风速训练样本较为均等地分为上升、平缓、下降三大类。

采用网格法确定小波核函数的参数a与k，本实施例中a与k的寻优范围为2^-5～2⁵，寻优步长为2¹。经交叉检验误差最小的一组参数为a＝0.1,k＝0.2。小波核函数为：

$K(p_i,p_j)=\underset{l=1}{\overset{2}{\mathrm{\Π}}}h\left(\frac{p_{\mathrm{il}}-p_{\mathrm{jl}}}{0.1}\right),$ 1≤i,j≤880

本发明所用的小波母函数的表达式为：

$h\left(v\right)=\cos (0.2\×\frac{v}{0.1})\·\exp (-\frac{v^2}{{0.1}^2})$

组合核函数中，设置参数d＝3，经交叉检验得到ρ₁＝0.4,ρ₂＝0.6，组合核函数为：

$K(p_i,p_j)=0.4{((p_i\·p_j)+1)}^3+0.6\underset{l=1}{\overset{2}{\mathrm{\Π}}}h\left(\frac{p_{\mathrm{il}}-p_{\mathrm{jl}}}{0.1}\right),$ 1≤i,j≤880

以训练样本输入矩阵P作为组合核函数支持向量机模型的输入，以训练样本输出矩阵Q作为支持向量机模型的输出f(P)，得到三个支持向量机模型f_上升，f_平缓，f_下降。

将预测样本输入训练得到的支持向量机模型，计算预测样本的风速时间序列相似特征I_预测，采用合适的向量机模型进行预测。

本实施例中，采用平均相对误差(MAPE)，均方误差(MSE)，以及最大允许误差(MPE)作为衡量风速预测结果误差的标准。

$\mathrm{MAPE}=\frac{1}{N}\underset{t=1}{\overset{N_p}{\mathrm{\Σ}}}\left|\frac{v_p\left(t\right)-v_r\left(t\right)}{{\mathrm{\μ}}_p}\right|\×100$

$\mathrm{MSE}=\frac{1}{N_p}\underset{t=1}{\overset{N_p}{\mathrm{\Σ}}}{(v_p\left(t\right)-v_r\left(t\right))}^2$

MPE＝max{|v_p(t)-v_r(t)|}/v_t×100

式中，v_p是预测的风速，v_r是真实的风速，μ_p为预测样本的平均值，N_p为预测样本的个数。MAPE和MSE更注重预测模型的总体平均性能，而MPE体现的是预测模型对个体的误差控制能力。

表1是本实施例中预测风速结果与实际风速数据的误差结果。

表1

如表1所示，本发明基于组合核函数的风电场超短期风速预测方法，结合采用组合核函数和相似数据，MAPE、MSE、MPE都优于小波核函数和单独的组合核函数。

图3是采用本发明的风速预测仿真图。如图3所示，采用本发明基于组合核函数的风电场超短期风速预测方法所预测的风速与真实的风速数据趋势基本一致。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (3)

1.一种基于组合核函数的风电场超短期风速预测方法，其特征在于，包括以下步骤：

(1)、采集风电场的风速数据，按照时间顺序排列成风速的时间序列数据X，时间序列表达式为：

X＝{x_t,t＝1,2,...,N.}

其中，N为风速时间序列的个数；

(2)风速时间序列X的自相关度计算公式为：

$r_D=\frac{1}{(N-D)s^2}\underset{t=D}{\overset{N}{\mathrm{\Σ}}}(x_t-\mathrm{\μ})(x_{t-D}-\mathrm{\μ})$

其中，r_D为自相关度，0≤r_D≤100%，μ和s分别为风速时间序列的均值和标准差，D为嵌入维度，即选择的特征的个数；

设定一个自相关度的值r_T，计算嵌入维度D；

(3)、对风速时间序列X进行归一化处理，换算为[0,1]的范围内的相对风速，归一化处理公式为：

${\tilde{x}}_t=\frac{N(x_t-\stackrel{\‾}{x})}{\underset{t=1}{\overset{N}{\mathrm{\Σ}}}(x_t-\stackrel{\‾}{x})}$

其中，

为归一化后的时刻t的相对风速，

为风速时间序列X的平均值，N为风速时间序列的个数；

(4)支持向量机模型的训练样本输入序列为时刻t前的历史风速序列，训练样本输出为t时刻的风速，根据嵌入维度D得到训练样本输入矩阵P：

$P=\left(\begin{array}{c}{\tilde{x}}_1,...,{\tilde{x}}_{D-2},{\tilde{x}}_{D-1},{\tilde{x}}_D\\ {\tilde{x}}_2,...,{\tilde{x}}_{D-1},{\tilde{x}}_D,{\tilde{x}}_{D+1}\\ ........................\\ {\tilde{x}}_{t-D},{\tilde{x}}_{t-D+1},...,{\tilde{x}}_{t-1}\\ ........................\\ {\tilde{x}}_{N-D},...,{\tilde{x}}_{N-3},{\tilde{x}}_{N-2},{\tilde{x}}_{N-1}\end{array}\right)=\left(\begin{array}{c}{P}_1\\ P_2\\ ...\\ P_{t-D}\\ ...\\ P_{N-D}\end{array}\right)$

输入矩阵P为n×D阶矩阵，其中，n＝N-D+1，行向量P_i,1≤i≤n表示时刻D+i的历史风速序列，即训练样本输入序列，每个元素p_il，1≤i≤n,1≤l≤D表示时刻i+l-1的风速；

训练样本输出矩阵Q：

$Q=\left(\begin{array}{c}{\tilde{x}}_{D+1}\\ {\tilde{x}}_{D+2}\\ ...\\ {\tilde{x}}_t\\ ...\\ {\tilde{x}}_N\end{array}\right)=\left(\begin{array}{c}{q}_1\\ q_2\\ ...\\ q_{t-D}\\ ...\\ q_{N-D}\end{array}\right)$

训练样本的输出矩阵Q为n×1阶矩阵，q_i,1≤i≤n表示时刻D+i的风速；

(5)对每个训练样本输入序列P_i,1≤i≤n，按照时间顺序比较风速时间序列所有时刻的值的大小，如果某一时刻的值比其前后两个时刻的值都要大或者小，那么记录此值为风速时间序列的一个极值点，同时记录此点在风速时间序列中的时刻。利用此方法可以找出风速时间序列上所有极值点集合H＝{h_m,m＝1,2,...,M.}和相应极值点的时刻集合U_m＝{u_m,m＝1,2,...,M.}，M为极值点的个数；

极值点将风速时间序列划分为线性分段，每个线性分段的斜率I_m为：

1≤m≤M-1，此线性分段的点在所有点中所占的比重ω_m为：1≤m≤M-1，

建立风速时间序列相似特征I的分段线性表示为：

$I=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{I}_m{\mathrm{\ω}}_m$

设定阈值τ，τ＞0，当I≥τ，风速时间序列呈下降趋势；当-τ＜I＜τ，风速时间序列呈平缓趋势；当I≤-τ，风速时间序列呈上升趋势；据此可将训练样本输入序列P_i,1≤i≤n分为上升、平缓、下降三类；

(6)、小波核函数参数寻优，小波核函数表达式为：

$K(p_i,p_j)=\underset{l=1}{\overset{D}{\mathrm{\Π}}}h\left(\frac{p_{\mathrm{il}}-p_{\mathrm{il}}}{a}\right),$ 1≤i,j≤n

其中，a与k为可调参数；

求出参数a与k的最优取值，得到小波核函数；

(7)、建立组合核函数，组合核函数的公式为：

$K(p_i,p_j)={\mathrm{\ρ}}_1{((p_i\·p_j)+1)}^d+{\mathrm{\ρ}}_2\underset{l=1}{\overset{D}{\mathrm{\Π}}}h\left(\frac{p_{\mathrm{il}}-p_{\mathrm{jl}}}{a}\right).$ 1≤i,j≤n

其中，参数d由用户设置，ρ₁与ρ₂为组合系数；

求出ρ₁与ρ₂的最优取值，得到组合核函数；

(8)、以训练样本输入矩阵P作为组合核函数支持向量机模型的输入，以训练样本输出矩阵Q作为支持向量机模型的输出f(P)，根据相似特征分类进行模型训练，可得到三个支持向量机模型f_上升，f_平缓，f_下降；

(9)、将预测样本输入训练得到的支持向量机模型，计算预测样本的风速时间序列相似特征I_预测，当I_预测≥τ，预测样本风速时间序列呈上升趋势，采用支持向量机模型f_上升预测风速；当-τ＜I_预测＜τ，预测样本风速时间序列呈平缓趋势，采用支持向量机模型f_平缓预测风速；当I_预测≤-τ，预测样本风速时间序列呈下降趋势，采用支持向量机模型f_上升预测风速。

2.根据权利要求1所述的风电场超短期风速预测方法，其特征在于，所述步骤(6)中可调参数a与k通过网格法确定最优取值，包括以下步骤：

1)、设置参数a与k的寻优范围和寻优步长，在寻优范围内制成网格；

2)、对网格上每一对a、k建立模型，进行交叉检验，选择交叉检验误差最小的一对a、k作为参数a、k的最优取值。

3.根据权利要求1所述的风电场超短期风速预测方法，其特征在于，所述步骤(7)中组合系数ρ₁与ρ₂的最优取值确定方法包括以下步骤：

1)、设定ρ₂＝1-ρ1，令ρ₁＝0.1×n,n＝0,1,2,…,10，求出对应的ρ₂；

2)、对于每一对ρ₁、ρ₂分别训练模型，进行交叉检验，选择交叉检验误差最小的一对ρ₁、ρ₂作为参数ρ₁、ρ₂的最优取值。

Images