CN108830428A - 一种基于四参数混合核函数lssvm的短时风速预测方法 - Google Patents
一种基于四参数混合核函数lssvm的短时风速预测方法 Download PDFInfo
- Publication number
- CN108830428A CN108830428A CN201810725213.9A CN201810725213A CN108830428A CN 108830428 A CN108830428 A CN 108830428A CN 201810725213 A CN201810725213 A CN 201810725213A CN 108830428 A CN108830428 A CN 108830428A
- Authority
- CN
- China
- Prior art keywords
- kernel function
- lssvm
- function
- wind speed
- parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 241000544061 Cuculus canorus Species 0.000 claims abstract description 11
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 72
- 230000009466 transformation Effects 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 2
- 241000208340 Araliaceae Species 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
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012549 training Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于四参数混合核函数LSSVM的短时风速预测方法，包括以下步骤：选取一段风速数据，并利用经验小波分解(EWT)及自适应阈值处理对数据进行预处理，以减弱噪声干扰；构建基于RBF和poly的混合核函数LSSVM，以同时提升模型的学习和泛化能力；借助布谷鸟算法对所构建的混合核函数LSSVM的四个参数进行迭代寻优，以求解最优的参数；在确定LSSVM模型后，最终输入数据并完成预测。
Description
技术领域
本发明涉及风电场风速预测技术领域，更具体的是，本发明涉及四参数混合核函数 LSSVM的短时风速预测方法。
背景技术
由于能源需求的增加，风力发电作为一种环境和可再生能源，引起了全世界的广泛关注。 然而，风速的波动和间歇性会对风力发电系统造成一些不必要的损坏。因此，对风速进行可 靠准确的预测是非常重要的。
目前，提高风速预测精度的方法一般分为物理模型、传统统计模型和人工智能模型。最 小二乘支持向量机(LSSVM)由于具有很强的泛化能力和较小的样本处理能力，在风速预测 中得到了广泛的应用。但单一的核函数在处理复杂的风速数据时，不能很好的适应风速变化， 限制了预测精度。因此，需要进一步改进算法，提高模型预测精度。
发明内容
本发明涉及一种基于四参数混合核函数LSSVM的短时风速预测方法，在借助EWT算法 减弱噪声干扰的基础下，通过构建混合核函数LSSVM模型并利用布谷鸟算法确定模型的四 个参数，最终实现短时风速的更准确预测。
本发明提供的技术方案为：
一种基于四参数混合核函数LSSVM的短时风速预测方法，包括如下步骤：
步骤1：获取一组风速数据，进行EWT变换将信号分解为多个分量，并设计自适应阈值 函数对各分量进行处理；
步骤2：构建基于RBF和poly的混合核函数最小二乘支持向量机(LSSVM)；
步骤3：借助布谷鸟算法对所构建的混合核函数LSSVM的四个参数进行迭代寻优；
步骤4：在确定LSSVM模型后，最终输入数据并完成预测。
优选的是：所述步骤1中：对风速数据进行EWT变换：
所述尺度函数与被测信号内积得到尺度系数：
经验小波函数与被测信号内积得到经验小波系数：
其中，W(k,t)被定义为在第t时刻第k个滤波器；
优选的是：所述尺度函数公式为：
所述经验小波函数公式为：
其中，N为频谱最大值的个数，最大值所对应的频率为ωi(i＝1,2,3…,N)； α(γ,ωi)＝β[(1/2γωi)-(1-γ)ωi]，γ为保证两个连续变换不重叠的参数，β(x)为满足如下的 函数：
优选的是：所述步骤1中：设计的自适应阈值函数为：
其中，Wk,t是是第k个模块的经验小波系数；是阈 值之后的系数；Tk是与噪声方差相关的阈值；sgn(*)代表符号函数。
优选的是，所述步骤2中：构造的混合核函数为：Khyb＝cKRBF+(1-c)Kpoly其中KRBF是RBF核函数，Kpoly是poly核函数，c是混合核的权系数。
优选的是，这个核函数同时获得了RBF核函数的学习能力和poly核函数的泛化能力， 因此提高了LSSVM的性能。
优选的是，所述步骤3中：利用布谷鸟算法对所提出的LSSVM混合核函数的四个参数： 正则化参数γ、RBF核函数宽度σ、poly核函数参数q以及混合核权系数c，进行迭代寻优。
本发明所述的有益效果为：
本发明所述的一种基于四参数混合核函数LSSVM的短时风速预测方法，在借助EWT算 法减弱噪声干扰的基础下，通过构建混合核函数LSSVM模型并利用布谷鸟算法确定模型的 四个参数，最终实现短时风速的更准确预测。
附图说明
图1为本发明实施例的整体流程图。
图2为本发明实施例所述的原始风速数据图。
图3为本发明实施例所述EWT处理结果图。
图4为本发明实施例所述预测结果图。
图5为本发明实施例所述性能指标对比图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够 据以实施。
本发明提供一种基于四参数混合核函数LSSVM的短时风速预测方法，包括如下步骤：
步骤1：获取一组风速数据，进行EWT变换将信号分解为多个分量，并设计自适应阈值 函数对各分量进行处理。
尺度函数与被测信号内积得到尺度系数：
经验小波函数与被测信号内积得到经验小波系数：
其中，W(k,t)被定义为在第t时刻第k个滤波器；
尺度函数公式为：
经验小波函数公式为：
其中，N为频谱最大值的个数，最大值所对应的频率为ωi(i＝1,2,3…,N)； α(γ,ωi)＝β[(1/2γωi)-(1-γ)ωi]，γ为保证两个连续变换不重叠的参数，β(x)为满足如下的 函数：
然后，利用如下的自适应阈值函数对系数进行处理：
其中，Wk,t是是第k个模块的经验小波系数；是阈 值之后的系数；Tk是与噪声方差相关的阈值；sgn(*)代表符号函数。
处理后进行反EWT变换，得到了噪声压制预处理的风速数据。
步骤2：构建基于RBF和poly的混合核函数最小二乘支持向量机(LSSVM)；构造的混合核函数为：Khyb＝cKRBF+(1-c)Kpoly其中KRBF＝exp(-||x-xi||2/2σ2)是RBF核函数， Kpoly＝[(x·xi)+1]q是poly核函数，c是混合核的权系数。
步骤3：利用布谷鸟算法对所提出的LSSVM混合核函数的四个参数：正则化参数γ、RBF 核函数宽度σ、poly核函数参数q以及混合核权系数c，进行迭代寻优。
步骤3：通过上一步骤确定了LSSVM的参数设置，利用最终的模型进行预测，得到预测 结果。
实施例
选取一段欧洲加利西亚的实际风速数据来验证算法的可行性与实用性。这段数据每15分 钟采样一次，共407个样本点。数据如图2所示。在我们的实验中，采用移动窗口的方法来 限制训练数据集的大小，将窗口的大小设置为372个样本。随着窗口的向前移动，建立了相 应的速度预测模型。建模过程重复35次。
步骤1：进行EWT变换将信号分解为三个分量，并利用所设计的自适应阈值函数对各分 量进行处理，处理结果如图3所示。可以看到一部分噪声被抑制掉，减弱了噪声干扰。
步骤2：构建基于RBF和poly的混合核函数最小二乘支持向量机(LSSVM)。这个核函数同时获得了RBF核函数的学习能力和poly核函数的泛化能力，因此提高了LSSVM的性能。
步骤3：利用布谷鸟算法对所提出的LSSVM混合核函数的四个参数：正则化参数γ、RBF 核函数宽度σ、poly核函数参数q以及混合核权系数c，进行迭代寻优。
步骤4：通过上一步骤确定了LSSVM的参数设置，利用最终的模型进行预测，得到预测 结果。
为验证方法的有效性，将本方法与LSSVM及布谷鸟优化LSSVM(CS-LSSVM)算法进行对比，预测结果如图4所示。显然，所提出的组合方法的预测精度超过LSSVM和CS-LSSVM。
为了进一步评估所提出的方法的优越性，利用三个统计指标来测量预测精度。这些指标 是平均绝对误差(MAE)，平均绝对百分误差(MAPE)，均方误差(MSE)，小的值表明高的预测 性能。这些指标定义如下：
其中，yn是观测值，是预测值。三种方法的统计结果如图5所示。从图中可以看到， 本方法的预测精度是最高的。
本发明所述的一种基于四参数混合核函数LSSVM的短时风速预测方法，在借助EWT算 法减弱噪声干扰的基础下，通过构建混合核函数LSSVM并利用布谷鸟算法确定模型的四个 参数，最终实现短时风速的更准确预测。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用， 它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另 外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的 细节和这里示出与描述的图例。
Claims (7)
1.一种基于四参数混合核函数LSSVM的短时风速预测方法，其特征在于，包括如下步骤：
步骤1：获取一组风速数据，进行EWT变换将信号分解为多个分量，并设计自适应阈值函数对各分量进行处理；
步骤2：构建基于RBF和poly的混合核函数LSVM；
步骤3：借助布谷鸟算法对所构建的混合核函数LSSVM的四个参数进行迭代寻优；
步骤4：在确定LSSVM模型后，最终输入数据并完成预测。
2.如权利要求1所述的基于四参数混合核函数LSSVM的短时风速预测方法，其特征在于，所述步骤1中：对风速数据进行EWT变换：
所述尺度函数与被测信号内积得到尺度系数：
经验小波函数与被测信号内积得到经验小波系数：
其中，W(k,t)被定义为在第t时刻第k个滤波器。
3.如权利要求2所述的基于四参数混合核函数LSSVM的短时风速预测方法，其特征在于：所述尺度函数公式为：
所述经验小波函数公式为：
其中，N为频谱最大值的个数，最大值所对应的频率为ωi(i＝1,2,3…,N)；α(γ,ωi)＝β[(1/2γωi)-(1-γ)ωi]，γ为保证两个连续变换不重叠的参数，β(x)为满足如下的函数：
4.如权利要求1所述的基于四参数混合核函数LSSVM的短时风速预测方法，其特征在于，所述步骤1中：设计的自适应阈值函数为：
其中，Wk,t是是第k个模块的经验小波系数；是阈值之后的系数；Tk为阈值；sgn(*)代表符号函数。
5.如权利要求1所述的基于四参数混合核函数LSSVM的短时风速预测方法，其特征在于，所述步骤2中：构造的混合核函数为：Khyb＝cKRBF+(1-c)Kpoly其中KRBF是RBF核函数，Kpoly是poly核函数，c是混合核的权系数。
6.如权利要求5所述的基于四参数混合核函数LSSVM的短时风速预测方法，其特征在于，这个核函数同时获得了RBF核函数的学习能力和poly核函数的泛化能力，因此提高了LSSVM的性能。
7.如权利要求1所述的基于四参数混合核函数LSSVM的短时风速预测方法，其特征在于，所述步骤3中：利用布谷鸟算法对所提出的LSSVM混合核函数的四个参数：正则化参数γ、RBF核函数宽度σ、poly核函数参数q以及混合核权系数c，进行迭代寻优。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810725213.9A CN108830428A (zh) | 2018-07-04 | 2018-07-04 | 一种基于四参数混合核函数lssvm的短时风速预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810725213.9A CN108830428A (zh) | 2018-07-04 | 2018-07-04 | 一种基于四参数混合核函数lssvm的短时风速预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108830428A true CN108830428A (zh) | 2018-11-16 |
Family
ID=64135285
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810725213.9A Pending CN108830428A (zh) | 2018-07-04 | 2018-07-04 | 一种基于四参数混合核函数lssvm的短时风速预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108830428A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490369A (zh) * | 2019-07-25 | 2019-11-22 | 国网安徽省电力有限公司 | 一种基于ewt和lssvm模型的短期电力负荷预测方法 |
| CN110659482A (zh) * | 2019-09-27 | 2020-01-07 | 吉林大学 | 一种基于gapso-twsvm的工业网络入侵检测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521671A (zh) * | 2011-11-29 | 2012-06-27 | 华北电力大学 | 一种风电功率超短期预测方法 |
-
2018
- 2018-07-04 CN CN201810725213.9A patent/CN108830428A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521671A (zh) * | 2011-11-29 | 2012-06-27 | 华北电力大学 | 一种风电功率超短期预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张妍: "基于变分模态分解和LSSVM的风电场短期风速预测", 《太阳能学报》 * |
| 赵妙颖: "基于经验小波变换的变压器振动信号特征提取", 《电力系统自动化》 * |
| 迟恩楠: ""基于小波和乘法混合核函数LSSVM 的顺风向非高斯空间风压预测", 《振动与冲击》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490369A (zh) * | 2019-07-25 | 2019-11-22 | 国网安徽省电力有限公司 | 一种基于ewt和lssvm模型的短期电力负荷预测方法 |
| CN110659482A (zh) * | 2019-09-27 | 2020-01-07 | 吉林大学 | 一种基于gapso-twsvm的工业网络入侵检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Deterministic and probabilistic forecasting of photovoltaic power based on deep convolutional neural network | |
| Wu et al. | Ultra‐short‐term multi‐step wind power forecasting based on CNN‐LSTM | |
| Liang et al. | A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers | |
| CN107330514B (zh) | 一种基于集成极限学习机的空气质量预测方法 | |
| Bommidi et al. | Hybrid wind speed forecasting using ICEEMDAN and transformer model with novel loss function | |
| CN115293415A (zh) | 计及时间演变和空间相关的多风电场短期功率预测方法 | |
| CN103324980A (zh) | 一种风电场风速预测方法 | |
| CN109146162B (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
| Liu et al. | Takagi–Sugeno fuzzy model‐based approach considering multiple weather factors for the photovoltaic power short‐term forecasting | |
| CN105719023A (zh) | 一种基于混合高斯分布的风电功率实时预测误差分析方法 | |
| CN107180426A (zh) | 基于可迁移的多模型集成的计算机辅助肺结节分类方法 | |
| CN109272139A (zh) | 一种基于非线性集成深度学习的短期风速预测方法 | |
| Liu et al. | Solar forecasting by K-Nearest Neighbors method with weather classification and physical model | |
| CN114444378A (zh) | 一种区域风电集群的短期功率预测方法 | |
| CN105701572A (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
| Yu et al. | Improved convolutional neural network‐based quantile regression for regional photovoltaic generation probabilistic forecast | |
| WO2024051524A1 (zh) | 一种水风光发电功率联合预测方法、装置 | |
| CN114970952A (zh) | 一种考虑环境因素的光伏出力短期预测方法及系统 | |
| CN108830428A (zh) | 一种基于四参数混合核函数lssvm的短时风速预测方法 | |
| Gensler et al. | An analog ensemble-based similarity search technique for solar power forecasting | |
| Chakravarty et al. | Robust wind speed estimation with modified fuzzy regression functions with a noise cluster | |
| Qu et al. | A hybrid model based on ensemble empirical mode decomposition and fruit fly optimization algorithm for wind speed forecasting | |
| CN107844872B (zh) | 一种用于风力发电的短期风速预报方法 | |
| CN111506868B (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
| CN103268416B (zh) | 基于stcp‑bp的风速预测方法 |
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 |
Application publication date: 20181116 |
|
| RJ01 | Rejection of invention patent application after publication |