CN107766968A - 基于capso‑rvm组合模型的短期风速预测方法 - Google Patents
基于capso‑rvm组合模型的短期风速预测方法 Download PDFInfo
- Publication number
- CN107766968A CN107766968A CN201710880280.3A CN201710880280A CN107766968A CN 107766968 A CN107766968 A CN 107766968A CN 201710880280 A CN201710880280 A CN 201710880280A CN 107766968 A CN107766968 A CN 107766968A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- msup
- mfrac
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 13
- INEWUCPYEUEQTN-UHFFFAOYSA-N 3-(cyclohexylamino)-2-hydroxy-1-propanesulfonic acid Chemical compound OS(=O)(=O)CC(O)CNC1CCCCC1 INEWUCPYEUEQTN-UHFFFAOYSA-N 0.000 title 1
- 238000000034 method Methods 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种基于CAPSO‑RVM组合模型的短期风速预测方法。首先，对经过预处理的风速时间序列进行总体经验模态分解，获得相对稳定的本征模态函数(IMF)分量和剩余(RES)分量；其次，利用样本熵理论将本征模态函数分量和剩余分量重构成趋势分量、细节分量和随机分量这三个具有典型特性的新分量；然后，利用云自适应粒子群优化算法(CAPSO)来确定相关向量机的核函数；最后，对重构后的各新分量采用CAPSO‑RVM分别建立区间预测模型，并将每一部分的预测结果相结合得到最终的预测值。采用本发明，能降低风速的预测误差，使预测结果更可靠准确。
Description
技术领域
本发明涉及一种短期风速预测方法，尤其涉及一种基于CAPSO-RVM组合模型的短期风速预测方法。
背景技术
风能因可再生、无污染、低价格和高收益的特点，已成为当今世界上增长最快的可再生资源，其发展得到了世界范围内众多学者的关注，但其中关于风电场风速的预测的研究还达不到令人满意的程度。截止到2015年底，全球风力发电装机容量达到432419兆瓦，比上年增长22％。随着风力发电技术的发展，越来越多的风力涡轮机连接到电网和网络操作，但因为风力发电的间歇性和随机性固有的缺陷，其发展对电力系统的安全、稳定运行和供电质量带来了严峻的挑战，限制了风电发展规模。准确的风速预测不仅有利于风电场计划的调度，减轻风电对电网的影响，还可以降低电力系统运行成本。
现阶段研究者已经开发了许多预测风速的方法，如持续性算法、线性回归模型、差分自回归滑动平均算法、卡尔曼滤波法、神经网络以及模糊专家系统等。以上预测方法都有一个共同的特点，即它们都只需知道所预测地点的单一风速的时间序列，经过对该时间序列进行出理，就可以建立预测模型，进而对未来风速进行预测，历史数据收集以及预测过程中的数据实时采集带来方便，所需数据单一，便于实现，但在一定程度上影响预测精度。之后研究者想到将多种方法进行组合，如基于模糊推理和人工神经网络方法的组合模型，基于小波变换、人工神经网络和进化算法的组合模型，基于自回归AR、移动平均的外生变量和粒子群搜索法的组合模型，以及ANN和ANFIS的组合模型，在实际应用中，这些组合模型的优越性越来越明显。
相关向量机具有模型高度稀疏、待优化核参数少、核函数选择灵活、模型泛化能力强等优点，已应用于负荷预测、故障分类、模式识别等领域。将相关向量机应用于风速区间预测的几乎没有，即使有也只是单独应用，没有与其他方法相结合，但其独立预测得到的短期风速预测结果不够精确，因而需要结合其他方法来提高它的性能。
发明内容
发明目的：本发明提出了一种基于CAPSO-RVM组合模型的短期风速预测方法，使风速预测所得结果可靠性和准确性更好。
技术方案：本发明所述的基于CAPSO-RVM组合模型的短期风速预测方法，包括以下步骤：
(1)对原始风速时间序列进行预处理；
(2)采用总体经验模态分解方法对经过预处理后原始风速时间序列进行分解，获得多个IMF分量和RES分量；
(3)采用样本熵理论，对各IMF分量和RES分量进行重构，重构成趋势分量、细节分量、随机分量这三类具有典型特性的新分量；
(4)利用云自适应粒子群优化算法来确定相关向量机的核函数，对各新分量采用CAPSO-RVM分别建立区间预测模型，并将每一部分的预测结果相结合得到最终的预测值；
(5)结合风速实际输出值，利用平均相对误差、平均绝对误差和均方根误差对模型的预测性能进行评估。
在所述步骤(1)中，通过以下计算公式进行预处理：
其中，x(i)是原始数据,xmin和xmax是每个变量的最小值和最大值。
作为优化，所述步骤(2)包括以下步骤：
(21)设定白噪声的幅值N和进行EMD分解的总次数M；
(22)在原始序列数据中加入高斯白噪声；
(23)按照EMD分解流程将已加入白噪声的数据序列进行分解得到一系列的IMF分量和一个RES余量；
(24)重复的加入相同幅值的不同白噪声序列，重复步骤1.2和步骤1.3，对M次EMD分解得到的各个IMF分量及剩余分量计算均值；
(25)输出ci(t)(i＝1,2,…,m)和res(t)分别作为EEMD分解的IMF分量和RES分量。
作为优化，所述步骤(3)包括以下步骤；
设本征模态函数对应的时间序列为N是样本时间序列的数量，样本均值为时间序列Si定义如下：
设定样本熵值的阈值范围，根据相似性对EEMD所得到的IMF分量和RES分量进行重构获得具有典型特征的趋势分量、细节分量和随机分量。
作为优化，所述步骤4包括以下步骤：
(41)计算相关向量机的训练样本后验分布的方差和后验分布权重及预测值；
给定RVM模型的训练数据集xn(n＝1,2，…，n)，n是n维输入向量，tn是输出，RVM模型的输出可以被定义为：
其中，ωi是模型的权重，K(x,xi)是一个非线性函数
那么完整数据集为：
其中，
由于参数太多，在这里提供零均值高斯先验分布：
在α是n+1维向量，每个权重分别对应一个超参数，从而控制允许偏差从零权重，因此权重公式的后验分布可以用先验概率分布和似然分布来表示：
其中∑＝(σ-2ΦTΦ+A)-1,μ＝σ-2∑ΦTt and A＝diag(a0,a1,…aN)
超参数的边缘似然分布如下：
其中，Ω＝σ2I+ΦA-1ΦT
超参数α和方差σ2可以通过最大似然算法近似：
输入值为xi*时，则相应的输出概率分布服从高斯分布，相应的预测值为：
(42)利用云自适应粒子群优化算法来确定相关向量机的核函数:
所述核函数为高斯核函数，其具体公式为：K(x,xi)＝exp(-||x-xi||2/δ2)其中，K(x,xi)表示内核函数，δ代表内核函数宽度；
(43)检验当前迭代获得的超参数是否满足要求，若满足则此超参数为相关向量机预测模型参数，否则更新超参数，直到满足迭代要求或达到最大迭代次数，每个迭代拟合结果的评价方法如下：
其中，Yi是训练数据在某一时刻的实际输出值；是第一天n的拟合输出值，n是历史数据的数量。
所述步骤5的计算公式为：
平均相对误差为：
平均绝对误差为：
均方根误差为：
其中，yi是在某一时间内测试数据i天的实际输出值；是在某一时间内测试数据i天的预测值，N是历史数据的数目。
有益效果：与已有技术相比，本发明的有益效果：1、采用总体经验模态分解降低数据的复杂度和风电序列内在的波动性；2、采用样本熵对IMF分量和RES分量进行重构，重构成三类具有典型特性的新分量，降低了预测模型的规模，明显缩短了运行时间；3、采用相关向量机模型进行预测，具有模型高度稀疏、待优化参数少、优化效率高的优点；4、采用云自适应粒子群优化算法对相关向量机方法进行改进优化，使用高斯核函数作为相关向量机的核函数，进一步提高预测结果的准确性。
附图说明
图1为本发明预测方法的流程图；
图2为EEMD的分解结果示意图；
图3为各份量的样本熵(SE)分布图；
图4为重构后的新分量示意图。
具体实施方式
下面结合附图对发明的技术方案进行详细说明：
为了便于说明本发明原理，本发明选取美国科罗拉多州2016年7月1日至2016年7月9日的风电场实测风速数据作为训练样本，每15分钟收集一次数据，然后建立了第二天(7月10日)的风速预测模型，提前15分钟预报。其具体过程如图1所示。
首先，为减少训练时间，提高收敛速度，提高预测精度，对原始样本进行预处理，本发明采用数据归一化出理方法对样本数据进行处理，其计算公式如下：
式中：x(i)是原始数据,xmin和xmax是每个变量的最小值和最大值。.
其次，对已经处理过的原始风速时间序列进行总体经验模态分解，其分解结果如图2所示。新分量的组成成分及利用样本熵理论重构组每个分量，重组后的各新分量如表1所示。
表1重组后的各分量
得到新分量的样本熵值如图3所示，在图3中趋势分量的样本熵值显著低于原始序列，而随机成分的样本熵值明显高于原始序列，细节成分的样本熵值在原始序列SE值的阈值范围内，我们可以发现细节分量SE值在[0.25，1]范围内。
然后，利用云自适应粒子群优化算法(CAPSO)来确定相关向量机的核函数，分别用云自适应粒子群优化算法(CAPSO)和穷举法(EM)优化RVM模型，得到如表2的分析结果：
表2采用CAPSO算法优化各分量的核宽度
对新分量采用样本熵进行重构，得到图4的结果，从表2和图4可以看出，趋势分量、细节分量和随机分量都具有典型的特性，CAPSO算法比较详尽，方法迭代次数少，效率高，受初始值影响较小。
最后，利用BP神经网络模型、支持向量机(SVM)模型和相关向量机(RVM)模型进行风速预测，同时也统计出误差MRE，MAPE和RMSE(表3)，将其风速预测误差与CAPSO-RVM模型比较，结果如表3所示。
表3各模型的预测误差
| 模型 | 平均相对误差 | 平均绝对误差 | 均方根误差(m/s) |
| BP | 2.38％ | 4.85％ | 0.3549 |
| SVM | 2.29％ | 4.58％ | 0.3294 |
| RVM | 2.26％ | 4.44％ | 0.3484 |
| CAPSORVM | 2.22％ | 4.37％ | 0.2915 |
从表3可看出，本发明方法的预测误差最小，有最好的预测性能。
Claims (6)
1.一种基于CAPSO-RVM组合模型的短期风速预测方法，其特征在于，包括以下步骤：
(1)对原始风速时间序列进行预处理；
(2)采用总体经验模态分解方法对经过预处理后原始风速时间序列进行分解，获得多个IMF分量和RES分量；
(3)采用样本熵理论，对各IMF分量和RES分量进行重构，重构成趋势分量、细节分量、随机分量这三类具有典型特性的新分量；
(4)利用云自适应粒子群优化算法来确定相关向量机的核函数，对各新分量采用CAPSO-RVM分别建立区间预测模型，并将每一部分的预测结果相结合得到最终的预测值；
(5)结合风速实际输出值，利用平均相对误差、平均绝对误差和均方根误差对模型的预测性能进行评估。
2.根据权利要求1所述的基于CAPSO-RVM组合模型的短期风速预测方法，其特征在于，在所述步骤(1)中，通过以下计算公式进行预处理：
<mrow>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
</mrow>
其中，x(i)是原始数据,xmin和xmax是每个变量的最小值和最大值。
3.根据权利要求1所述的基于CAPSO-RVM组合模型的短期风速预测方法，其特征在于，所述步骤(2)包括以下步骤：
(21)设定白噪声的幅值N和进行EMD分解的总次数M；
(22)在原始序列数据中加入高斯白噪声；
(23)按照EMD分解流程将已加入白噪声的数据序列进行分解得到一系列的IMF分量和一个RES余量；
(24)重复的加入相同幅值的不同白噪声序列，重复步骤1.2和步骤1.3，对M次EMD分解得到的各个IMF分量及剩余分量计算均值；
(25)输出ci(t)(i＝1,2,…,m)和res(t)分别作为EEMD分解的IMF分量和RES分量。
4.根据权利要求1所述的基于CAPSO-RVM组合模型的短期风速预测方法，其特征在于，所述步骤(3)中：
设本征模态函数对应的时间序列为N是样本时间序列的数量，样本均值为时间序列Si为：
<mrow>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>-</mo>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>></mo>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>&le;</mo>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
设定样本熵值的阈值范围，根据相似性对EEMD所得到的IMF分量和RES分量进行重构，获得具有典型特征的趋势分量、细节分量和随机分量。
5.根据权利要求1所述的基于CAPSO-RVM组合模型的短期风速预测方法，其特征在于，所述步骤(4)中：
(41)计算相关向量机的训练样本后验分布的方差、后验分布权重及预测值；
给定RVM模型的训练数据集xn(n＝1,2，…，n)，n是n维输入向量，tn是输出，RVM模型的输出可以被定义为：
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>;</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mn>0</mn>
</msub>
</mrow>
其中，ωi是模型的权重，K(x,xi)是一个非线性函数
那么完整数据集为：
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>|</mo>
<mi>&omega;</mi>
<mo>,</mo>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<msup>
<mi>&pi;&sigma;</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mfrac>
<mi>N</mi>
<mn>2</mn>
</mfrac>
</mrow>
</msup>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>t</mi>
<mo>-</mo>
<mi>&Phi;</mi>
<mi>&omega;</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
其中，
<mrow>
<msup>
<mi>&Phi;</mi>
<mi>T</mi>
</msup>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
由于参数太多，在这里提供零均值高斯先验分布：
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>|</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>N</mi>
</munderover>
<mi>N</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mn>0</mn>
<mo>,</mo>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
在α是n+1维向量，每个权重分别对应一个超参数，从而控制允许偏差从零权重，因此权重公式的后验分布可以用先验概率分布和似然分布来表示：
其中∑＝(σ-2ΦTΦ+A)-1,μ＝σ-2∑ΦTt and A＝diag(a0,a1,…aN)
超参数的边缘似然分布如下：
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>|</mo>
<mi>&alpha;</mi>
<mo>,</mo>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>&pi;</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mfrac>
<mi>N</mi>
<mn>2</mn>
</mfrac>
</mrow>
</msup>
<mo>|</mo>
<mi>&Omega;</mi>
<msup>
<mo>|</mo>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
</mrow>
</msup>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msup>
<mi>t</mi>
<mi>T</mi>
</msup>
<msup>
<mi>&Omega;</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>t</mi>
</mrow>
<mn>2</mn>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中，Ω＝σ2I+ΦA-1ΦT
超参数α和方差σ2可以通过最大似然算法近似：
当输入值为xi *时，则相应的输出概率分布服从高斯分布，相应的预测值为：
(42)利用云自适应粒子群优化算法来确定相关向量机的核函数:
所述核函数为高斯核函数，其具体公式为：
K(x,xi)＝exp(-||x-xi||2/δ2)
其中，K(x,xi)表示内核函数，δ代表内核函数宽度；
(43)检验当前迭代获得的超参数是否满足要求，若满足则此超参数为相关向量机预测模型参数，否则更新超参数，直到满足迭代要求或达到最大迭代次数，每个迭代拟合结果的评价方法如下：
<mrow>
<mi>f</mi>
<mi>i</mi>
<mi>t</mi>
<mi>t</mi>
<mi>i</mi>
<mi>n</mi>
<mi>g</mi>
<mi> </mi>
<mi>e</mi>
<mi>r</mi>
<mi>r</mi>
<mi>o</mi>
<mi>r</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
其中，Yi是训练数据在某一时刻的实际输出值；是第一天n的拟合输出值，n是历史数据的数量。
6.根据权利要求1所述的基于CAPSO-RVM组合模型的短期风速预测方法，其特征在于所述步骤(5)的计算公式为：
平均相对误差为：
<mrow>
<mi>M</mi>
<mi>R</mi>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
</mrow>
平均绝对误差为：
<mrow>
<mi>M</mi>
<mi>A</mi>
<mi>P</mi>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<mfrac>
<mrow>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
</mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
</mfrac>
<mo>|</mo>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
</mrow>
均方根误差为：
<mrow>
<mi>R</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中，yi是在某一时间内测试数据i天的实际输出值；是在某一时间内测试数据i天的预测值，N是历史数据的数目。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710880280.3A CN107766968A (zh) | 2017-09-26 | 2017-09-26 | 基于capso‑rvm组合模型的短期风速预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710880280.3A CN107766968A (zh) | 2017-09-26 | 2017-09-26 | 基于capso‑rvm组合模型的短期风速预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107766968A true CN107766968A (zh) | 2018-03-06 |
Family
ID=61266730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710880280.3A Pending CN107766968A (zh) | 2017-09-26 | 2017-09-26 | 基于capso‑rvm组合模型的短期风速预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107766968A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108732931A (zh) * | 2018-05-17 | 2018-11-02 | 北京化工大学 | 一种基于jit-rvm的多模态间歇过程建模方法 |
| CN108846499A (zh) * | 2018-04-13 | 2018-11-20 | 中国电力科学研究院有限公司 | 一种气象要素超短期预测方法和装置 |
| CN109086604A (zh) * | 2018-07-05 | 2018-12-25 | 成都信息工程大学 | 基于稀疏贝叶斯模型的安卓恶意行为软件识别方法及系统 |
| CN109359778A (zh) * | 2018-11-13 | 2019-02-19 | 中石化石油工程技术服务有限公司 | 基于优化经验模态分解的短期天然气负荷预测方法 |
| CN109449974A (zh) * | 2018-11-16 | 2019-03-08 | 大连理工大学 | 一种基于变模式分解和样本熵理论的综合能源系统优化调度方法 |
| CN110007371A (zh) * | 2019-04-11 | 2019-07-12 | 成都四方伟业软件股份有限公司 | 风速预测方法及装置 |
| CN110659442A (zh) * | 2019-09-23 | 2020-01-07 | 珠海格力电器股份有限公司 | 系统及其数据短期预测方法和装置、存储介质 |
| CN111616686A (zh) * | 2019-12-27 | 2020-09-04 | 电子科技大学 | 基于Heaviside核函数的生理信号非平衡性分析方法 |
| CN111709568A (zh) * | 2020-06-11 | 2020-09-25 | 国网天津市电力公司 | 一种基于新鲜度和交叉熵算法的电动汽车负荷组合预测 |
| CN112036082A (zh) * | 2020-08-27 | 2020-12-04 | 东北大学秦皇岛分校 | 基于注意力机制的时间序列数据预测方法 |
| CN112072691A (zh) * | 2019-06-10 | 2020-12-11 | 上海电机学院 | 基于季节分解和支持向量机风功率预测的风机控制方法 |
| CN112910288A (zh) * | 2020-12-08 | 2021-06-04 | 上海交通大学 | 一种基于逆变器散热器温度预测的过温预警方法 |
| CN113985207A (zh) * | 2021-10-28 | 2022-01-28 | 国网北京市电力公司 | 一种电网运行设备故障监测方法、系统、装置及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105391083A (zh) * | 2015-11-05 | 2016-03-09 | 河海大学 | 基于变分模态分解和相关向量机的风功率区间短期预测方法 |
| CN106203723A (zh) * | 2016-07-19 | 2016-12-07 | 河海大学 | 基于rt重构eemd‑rvm组合模型的风功率短期区间预测方法 |
| CN106383028A (zh) * | 2016-09-05 | 2017-02-08 | 北京航空航天大学 | 一种齿轮箱故障的诊断方法 |
-
2017
- 2017-09-26 CN CN201710880280.3A patent/CN107766968A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105391083A (zh) * | 2015-11-05 | 2016-03-09 | 河海大学 | 基于变分模态分解和相关向量机的风功率区间短期预测方法 |
| CN106203723A (zh) * | 2016-07-19 | 2016-12-07 | 河海大学 | 基于rt重构eemd‑rvm组合模型的风功率短期区间预测方法 |
| CN106383028A (zh) * | 2016-09-05 | 2017-02-08 | 北京航空航天大学 | 一种齿轮箱故障的诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| HAIXIANG ZANG ETC: "Short-term Wind Speed Forecasting Based on an EEMD-CAPSO-RVM Model", 《2016 IEEE PES ASIA-PACIFIC POWER AND ENERGY CONFERENCE》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846499A (zh) * | 2018-04-13 | 2018-11-20 | 中国电力科学研究院有限公司 | 一种气象要素超短期预测方法和装置 |
| CN108846499B (zh) * | 2018-04-13 | 2022-10-11 | 中国电力科学研究院有限公司 | 一种气象要素超短期预测方法和装置 |
| CN108732931A (zh) * | 2018-05-17 | 2018-11-02 | 北京化工大学 | 一种基于jit-rvm的多模态间歇过程建模方法 |
| CN109086604A (zh) * | 2018-07-05 | 2018-12-25 | 成都信息工程大学 | 基于稀疏贝叶斯模型的安卓恶意行为软件识别方法及系统 |
| CN109359778A (zh) * | 2018-11-13 | 2019-02-19 | 中石化石油工程技术服务有限公司 | 基于优化经验模态分解的短期天然气负荷预测方法 |
| CN109449974A (zh) * | 2018-11-16 | 2019-03-08 | 大连理工大学 | 一种基于变模式分解和样本熵理论的综合能源系统优化调度方法 |
| CN109449974B (zh) * | 2018-11-16 | 2021-06-08 | 大连理工大学 | 一种基于变模式分解和样本熵理论的综合能源系统优化调度方法 |
| CN110007371A (zh) * | 2019-04-11 | 2019-07-12 | 成都四方伟业软件股份有限公司 | 风速预测方法及装置 |
| CN112072691A (zh) * | 2019-06-10 | 2020-12-11 | 上海电机学院 | 基于季节分解和支持向量机风功率预测的风机控制方法 |
| CN110659442A (zh) * | 2019-09-23 | 2020-01-07 | 珠海格力电器股份有限公司 | 系统及其数据短期预测方法和装置、存储介质 |
| CN110659442B (zh) * | 2019-09-23 | 2023-09-08 | 珠海格力电器股份有限公司 | 系统及其数据短期预测方法和装置、存储介质 |
| CN111616686B (zh) * | 2019-12-27 | 2020-12-29 | 电子科技大学 | 基于Heaviside核函数的生理信号非平衡性分析方法 |
| CN111616686A (zh) * | 2019-12-27 | 2020-09-04 | 电子科技大学 | 基于Heaviside核函数的生理信号非平衡性分析方法 |
| CN111709568A (zh) * | 2020-06-11 | 2020-09-25 | 国网天津市电力公司 | 一种基于新鲜度和交叉熵算法的电动汽车负荷组合预测 |
| CN112036082B (zh) * | 2020-08-27 | 2022-03-08 | 东北大学秦皇岛分校 | 基于注意力机制的时间序列数据预测方法 |
| CN112036082A (zh) * | 2020-08-27 | 2020-12-04 | 东北大学秦皇岛分校 | 基于注意力机制的时间序列数据预测方法 |
| CN112910288B (zh) * | 2020-12-08 | 2022-08-09 | 上海交通大学 | 一种基于逆变器散热器温度预测的过温预警方法 |
| CN112910288A (zh) * | 2020-12-08 | 2021-06-04 | 上海交通大学 | 一种基于逆变器散热器温度预测的过温预警方法 |
| CN113985207A (zh) * | 2021-10-28 | 2022-01-28 | 国网北京市电力公司 | 一种电网运行设备故障监测方法、系统、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107766968A (zh) | 基于capso‑rvm组合模型的短期风速预测方法 | |
| Wu et al. | A novel hybrid system based on multi-objective optimization for wind speed forecasting | |
| Tian | Short-term wind speed prediction based on LMD and improved FA optimized combined kernel function LSSVM | |
| Raza et al. | An ensemble framework for day-ahead forecast of PV output power in smart grids | |
| Jiao et al. | A model combining stacked auto encoder and back propagation algorithm for short-term wind power forecasting | |
| Gensler et al. | Deep Learning for solar power forecasting—An approach using AutoEncoder and LSTM Neural Networks | |
| Ren et al. | Ensemble methods for wind and solar power forecasting—A state-of-the-art review | |
| Liu et al. | Hybrid forecasting system based on data area division and deep learning neural network for short-term wind speed forecasting | |
| Wang et al. | Research and application of a combined model based on multi-objective optimization for multi-step ahead wind speed forecasting | |
| Ghoushchi et al. | An extended new approach for forecasting short-term wind power using modified fuzzy wavelet neural network: A case study in wind power plant | |
| Kardakos et al. | Application of time series and artificial neural network models in short-term forecasting of PV power generation | |
| CN105184391B (zh) | 基于小波分解和支持向量机的风电场风速与功率预测方法 | |
| Zeng et al. | Short-term wind power prediction using a wavelet support vector machine | |
| Duan et al. | A combined short-term wind speed forecasting model based on CNN–RNN and linear regression optimization considering error | |
| CN110738010A (zh) | 集成深度学习模型的风电场短期风速预测方法 | |
| Ghofrani et al. | A novel soft computing framework for solar radiation forecasting | |
| CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
| Saroha et al. | Multi step ahead forecasting of wind power by genetic algorithm based neural networks | |
| Salisu et al. | Solar radiation forecasting in Nigeria based on hybrid PSOANFIS and WT-ANFIS approach | |
| Gupta et al. | Intraday wind power forecasting employing feedback mechanism | |
| CN110942170A (zh) | 一种基于信息处理的短期风速预测方法及系统 | |
| Chen et al. | Effect of input features on the performance of the ANN-based wind power forecasting | |
| Ghofrani et al. | Hybrid clustering-time series-bayesian neural network short-term load forecasting method | |
| Teferra et al. | Fuzzy-based prediction of solar PV and wind power generation for microgrid modeling using particle swarm optimization | |
| Sharma et al. | Wind speed forecasting using hybrid ANN-Kalman filter techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180306 |