CN114595858A - 基于滚动时间序列和支持向量机的短期风速预测方法和系统 - Google Patents

基于滚动时间序列和支持向量机的短期风速预测方法和系统 Download PDF

Info

Publication number
CN114595858A
CN114595858A CN202111370513.8A CN202111370513A CN114595858A CN 114595858 A CN114595858 A CN 114595858A CN 202111370513 A CN202111370513 A CN 202111370513A CN 114595858 A CN114595858 A CN 114595858A
Authority
CN
China
Prior art keywords
wind speed
model
support vector
vector machine
sequence
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
Application number
CN202111370513.8A
Other languages
English (en)
Inventor
褚孝国
杨政厚
韩健
周峰
岳红轩
陈志文
陈兆圣
陈卓
王爽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Huaneng Xinrui Control Technology Co Ltd
Original Assignee
Beijing Huaneng Xinrui Control Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Huaneng Xinrui Control Technology Co Ltd filed Critical Beijing Huaneng Xinrui Control Technology Co Ltd
Priority to CN202111370513.8A priority Critical patent/CN114595858A/zh
Publication of CN114595858A publication Critical patent/CN114595858A/zh
Priority to JP2022185214A priority patent/JP7441553B2/ja
Pending legal-status Critical Current

Links

Images

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于滚动时间序列和支持向量机的短期风速预测方法和系统。本发明基于滚动时间序列和支持向量机的短期风速预测方法，其有益效果在于利用空间相重构法，重现了风速的混沌特性，而后结合时间序列模型和支持向量机反应风速序列的线性和非线性特性，提高了风速预测的精度可靠性。

Description

基于滚动时间序列和支持向量机的短期风速预测方法和系统
技术领域
本发明涉及风力发电技术领域，具体涉及到一种基于滚动时间序列和支持向量机的短期风速预测方法和系统。
背景技术
近年来，风电大规模接入电力系统。风力发电是将风的动能转化成电能，然而自然界的风具有间歇性和波动性特点，使得风力发电也存在不稳定性和波动性，随着风力发电的快速发展，风电在电网中的发电占比越来越大，这也带来了电网电压、频率等诸多问题与挑战。对风电场进行准确的超短期风速预测，能够降低由于风机的突然切出而造成的电压和频率波动,对风电场并网操作和风机的控制都有着重要的作用，在风机控制的角度提高了风电并网的能力。
现有的风速预测方法包括以下几种：持续预测法、时间序列法、卡尔曼滤波法、人工神经网络法、空间相关性法等。持续预测法将最近的几点数据进行加权作为下一点的风速预测值，但这种方法预测误差较大，通常作为基准比较方法, 来评价其他预测方法的精确度。时间序列法,也称ARMA模型,它利用历史数据,通过模型识别、参数估计以及模型检验来建模,利用该模型推导出预测模型达到对所研究的时间序列进行预报的目的。时间序列法所需的建模信息少,运算简单方便、快速,但对于低阶模型,预测精度往往不够高,而高阶模型的参数估计则难度较大，因此需要对时间序列法进行诸多改进。卡尔曼滤波法是针对风速动态系统的状态序列采用线性最小方差估计提取所需要序列，此方法适用于在线风速预测，此方法痛点在于估计噪声的统计特性。人工神经网络法模仿人脑神经网络结构及其功能,由大量简单处理节点大规模互联组成,用于解决复杂的非线性问题，它的不足表现在过学习和泛化能力不强。空间相关性法考虑风电场以及周边多个地点的多组实测风速数据，需要分析出各个站点之间的风速相关性，该方法的研究还在不断完善。
现有技术中国发明专利申请公开号CN105184391A公开了一种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，利用小波包分解技术对历史风速时间序列进行小波包分解，得到历史风速时间序列的低频段、中频段和高频段分量；利用灰色支持向量机预测模型对历史风速时间序列各分量进行预测，然后利用小波包重构得到短期风速预测数据；利用历史风电功率数据和数值天气预报风速数据作为训练集建立灰色支持向量机模型，进行风电功率的一次预测；对得到的风速预测数据、风电功率预测数据，通过RBF神经网络进行预测，得到风电功率最终预测值。现有技术中国发明专利申请公开号CN107194507A公开了一种基于组合支持向量机的风电场短期风速预测方法，分析原始风速序列的混沌特性，用 C-C算法计算风速序列的嵌入维数m和延迟时间τ，构建输入输出数据集并分成训练集和验证集；在训练集上建立基于不同核函数的支持向量机单项预测模型，并用综合学习策略粒子群优化算法确定关键参数；在验证集上采用基于诱导有序加权调和平均算子的变权系数组合预测法确定各单项模型的权系数，分别进行预测，对预测结果加权求和，得到一步风速预测结果。现有技术中国发明专利申请公开号CN113449847A公开了考虑秒级时间序列风速变化的海上风电功率滚动预测方法，利用数据预处理，处理异常数据并完成海上风速与风电功率归一化，进而通过差分平滑功率序列建立秒级时间尺度下风速预测模型，最后建立滚动 LSTM记忆网络，实现秒级时间序列数据的预测。
但是上述的现有技术进行风速预测的精度和稳定性都不高，CN105184391A 无法诠释风速序列的混沌特性，CN107194507A没有对风速序列进行滚动预测，不利于精度提高，CN113449847A没有对风速序列的混沌特性进行开展分析。
如何克服现有技术的不足，提供一种针对风速序列的混沌特性，能够更为准确、稳定的风速预测方法，成为本技术领域亟待解决的课题。
发明内容
为克服上述现有技术的不足，本发明提供了一种基于滚动时间序列和支持向量机的短期风速预测方法和系统，具体采用如下技术方案：
一种基于滚动时间序列和支持向量机的短期风速预测方法，包括下列步骤：
S1.输入风速时间序列；
S2.相空间重构；
S3.应用ARMA-AR-GARCH滚动预测；
S4.应用最小支持向量机；
S5.输出风速预测值。
进一步：
所述步骤S1.输入风速时间序列，包括：
输入原始风速时间序列Pb；
所述步骤S2.相空间重构,包括：
对所述原始风速时间序列Pb，按下列公式(1)进行相空间重构，得到空间相重构中间值序列，
Figure RE-GDA0003618980850000031
式中，τ为延迟时间，m为嵌入维度；
对得到的所述空间相重构中间值序列进行预处理，方便数据的处理。
进一步，所述S3.应用ARMA-AR-GARCH滚动预测，包括：
将预处理后风速序列
Figure RE-GDA0003618980850000032
作为输入，利用ARMA-AR-GARCH时间序列模型预测出时刻
Figure RE-GDA0003618980850000033
的
Figure RE-GDA0003618980850000034
把
Figure RE-GDA0003618980850000035
归入预测风速序列，经过逆处理得出时刻
Figure RE-GDA0003618980850000036
的滚动预测风速
Figure RE-GDA0003618980850000037
进一步,时间序列模型ARMA(p,q)为下列公式(2),用来对平稳序列进行预测；
Figure RE-GDA0003618980850000041
式中：c常数；φi和θj都是待估的自回归参数和移动平均参数；p和q分别为自回归和移动平均阶数；εt为时刻t的残差；
所述时间序列模型ARMA(p,q)的前提假设是模型残差均值为0，残差的方差为常数。
进一步，GARCH模型为下列公式(3):
Figure RE-GDA0003618980850000042
式中，f(t,Pt-1,Pt-2,...)为pt的回归函数；et为N(0,1)高斯白噪声序列；m和n分别为模型阶数。
进一步，AR(s)-GARCH(m,n)模型为下列公式(4):
Figure RE-GDA0003618980850000043
联立所述时间序列模型ARMA(p,q)和所述AR(s)-GARCH(m,n)模型，得到 ARMA-AR-GARCH模型,如下列公式(5)
Figure RE-GDA0003618980850000051
进一步，所述步骤S4.应用最小支持向量机，包括：
整理学习样本，进行归一化处理，选取通过ARMA-AR-GARCH模型预测出的t-3、 t-2、t-1、t时刻风速，以及t-1、t-2时刻真实风速，作为6个输入向量；
利用估计函数计算得到a和b，所述估计函数为下列公式(6)：
Figure RE-GDA0003618980850000052
设训练样本集(xi,yi)，
Figure RE-GDA0003618980850000053
y∈R，i＝1,2,...l；
模型训练转化为：
Figure RE-GDA0003618980850000054
约束条件为：
yi＝ωTφ(xi)+b+ξi,i＝1,2,…l (8)
引入Lagrange函数：
Figure RE-GDA0003618980850000055
其中α＝[α1,α2,…αl]是Lagrange因子，ξ为训练集训练误差向量，ω，b为模型参数，γ为正规化参数；
根据KKT(Karush-Kuhn-Tucker)条件获得：
Figure RE-GDA0003618980850000056
得到
Figure RE-GDA0003618980850000061
定义核函数K(x,xi)＝ψ(x)ψ(xi)为高维特征空间内积，代表非线性映射，综合上式和约束条件式，求解线性方程组
Figure RE-GDA0003618980850000062
采用径向基函数
K(xi,xj)＝exp(-||xi-xj||2/(2σ2)) (12)
作为核函数，其估计函数为上述公式(6)；
通过将已有风速的时间序列进行代入训练，因为根据之前的风速已经得到fx，而对应倒推时刻之前的通过ARMA-AR-GARCH模型预测出的t-3、t-2、t-1、t时刻风速，以及t-1、t-2时刻真实风速分别对应变量也都是已知的，从而利用估计函数计算得到a和b；
将参数a和b代入公式(6)，确定出LS-SVM模型的具体形式；
将所述6个输入向量输入所述LS-SVM模型，得到t时刻的预测风速。
进一步，随着时间变量t的迁移，不断重复所述步骤S4，得出ARMA-AR-GARCH 部分的预测风速时间序列。
本发明还涉及一种基于滚动时间序列和支持向量机的短期风速预测系统，用于实现如上所述的方法，所述系统包括：
输入模块，用于输入风速时间序列；
重构模块，用于相空间重构；
滚动预测模块，用于应用ARMA-AR-GARCH滚动预测；
应用模块,用于应用最小支持向量机；
输出模块，输出风速预测值。
本发明还涉及一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的基于滚动时间序列和支持向量机的短期风速预测方法。
本发明基于滚动时间序列和支持向量机的短期风速预测方法，其有益效果在于利用空间相重构法，重现了风速的混沌特性，而后结合时间序列模型和支持向量机反应风速序列的线性和非线性特性，提高了风速预测的精度可靠性。
附图说明
图1为本发明的方法流程图。
图2为本发明的ARMAX-AR-GARCH滚动预测结合支持向量机模型示意图。
图3为本发明的ARMA-AR-GARCH滚动预测模型示意图。
图4为本发明的LS-SVM的流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。
除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
基于滚动时间序列和支持向量机的短期风速预测方法，其特征在于，首先针对风速序列的混沌特性，对原始数据进行空间相重构，得出的变量输入应用ARMA-AR-GARCH时间序列模型预测出风速线性中间值，揭示了风速序列的线性关系；同时采用滚动预测策略，保证模型实时性。将风速线性和空间相重构得出的变量作为最小二乘支持向量机的输入，得到最后的预测风速，揭示出风速序列的非线性关系。
参见附图1所示，本发明的一种基于滚动时间序列和支持向量机的短期风速预测方法，包括下列步骤：
S1.输入风速时间序列；
S2.相空间重构；
S3.应用ARMA-AR-GARCH滚动预测；
S4.应用最小支持向量机；
S5.输出风速预测值。
所述步骤S1.输入风速时间序列，包括：
输入原始风速时间序列Pb。
本发明利用空间相重构算法对风速数据进行混沌特性处理，得到空间相重构中间值序列；
将空间相重构中间值序列进行预处理；
采用以AIC为准则搜索的方法，将ARMA模型的阶数项(p,q)搜索范围分别定在(2-21)，(2-12)，选择使AIC取值最小的阶数，求解得到阶数项参数p，q；
采取搜索使AIC取值最小的AR部分阶数；
GARCH的阶次选取则选择(1,1)；
建立确认好ARMA-AR-GARCH时间序列模型的所有参数。
如附图2，将预处理后风速序列作为输入，求得ARMA-AR-GARCH时间序列模型的输出，并把输出变量归入至预测风速。
附图2中，
Figure RE-GDA0003618980850000081
为时刻t1到
Figure RE-GDA0003618980850000084
的历史风速序列；
Figure RE-GDA0003618980850000082
为时刻t1到
Figure RE-GDA0003618980850000083
的预处理后风速序列；
Figure RE-GDA0003618980850000091
为滚动预测出时刻t1到
Figure RE-GDA0003618980850000092
的处理风速序列；
Figure RE-GDA0003618980850000093
为滚动预测得到的时刻t1到
Figure RE-GDA0003618980850000094
的风速序列；
Figure RE-GDA0003618980850000095
为通过组合预测得到时刻
Figure RE-GDA0003618980850000096
的风速。
随着时间变量t的迁移，如附图3所示，不断重复，得出ARMA-AR-GARCH部分的预测风速时间序列。
风速时间序列有非线性和随机性的特点，直接利用原始序列Pb进行训练和预测会影响模型的预测精度，引入相空间重构的方法。
所述步骤S2.相空间重构,包括：
对所述原始风速时间序列Pb，按下列公式(1)进行相空间重构，得到空间相重构中间值序列，
Figure RE-GDA0003618980850000097
式中，τ为延迟时间，m为嵌入维度。
对得到的所述空间相重构中间值序列进行预处理，方便数据的处理。
进一步，所述S3.应用ARMA-AR-GARCH滚动预测，包括：
将预处理后风速序列
Figure RE-GDA0003618980850000098
作为输入，利用ARMA-AR-GARCH时间序列模型预测出时刻
Figure RE-GDA0003618980850000099
的
Figure RE-GDA00036189808500000910
把
Figure RE-GDA00036189808500000911
归入预测风速序列，经过逆处理得出时刻
Figure RE-GDA00036189808500000912
的滚动预测风速
Figure RE-GDA00036189808500000913
进一步,时间序列模型ARMA(p,q)为下列公式(2),用来对平稳序列进行预测；
Figure RE-GDA00036189808500000914
式中：c常数；φi和θj都是待估的自回归参数和移动平均参数；p和q分别为自回归和移动平均阶数；εt为时刻t的残差。
所述时间序列模型ARMA(p,q)的前提假设是模型残差均值为0，残差的方差为常数。
进一步，GARCH模型为下列公式(3):
Figure RE-GDA0003618980850000101
式中，f(t,Pt-1,Pt-2,...)为pt的回归函数；et为N(0,1)高斯白噪声序列；m和n分别为模型阶数。
GARCH模型增加考虑了异方差函数的m阶相关性，能有效地捕获到风速序列的异方差性。
对残差序列{εt}拟合GARCH模型有一个基本要求：{εt}为零均值，异方差序列。有时回归函数f(t,Pt-1,Pt-2,...)不能充分提取原序列{εt}的相关信息，导致残差序列可能具有自相关性。这是需要先拟合{εt}的自回归模型，再考察自回归残差序列{vt}的异方差性。
这样构成AR(s)-GARCH(m,n)模型为下列公式(4):
Figure RE-GDA0003618980850000102
联立所述时间序列模型ARMA(p,q)和所述AR(s)-GARCH(m,n)模型，得到 ARMA-AR-GARCH模型,如下列公式(5)
Figure RE-GDA0003618980850000111
采用以AIC为准则搜索的方法，将ARMA模型的三个阶数项(p,q)搜索范围分别定在(2-21)，(2-12)，选择使AIC取值最小的阶数。
对于此部分AR的阶次确定，采取搜索使AIC取值最小的阶数。而GARCH的阶次选取则选择(1,1)。
最小二乘支持向量机(LS-SVM)具有支持向量机泛化能力强、全局最优的优点，适合用来对非线性关系的预测。由于径向基函数较好的性能，选用径向基函数
K(xi,xj)＝exp(-||xi-xj||2/(2σ2)) (12)
作为核函数，它的估计函数为：
Figure RE-GDA0003618980850000112
对于最小二乘支持向量机建模步骤，如附图4所示。
所述步骤S4.应用最小支持向量机，包括：
整理学习样本，进行归一化处理，选取通过ARMA-AR-GARCH模型预测出的t-3、 t-2、t-1、t时刻风速，以及t-1、t-2时刻真实风速，作为6个输入向量。而输出变量即对应t时刻的预测风速。
在训练之前，通过交叉验证法，不断调整核参数和正规化参数两个参数，使交叉验证误差最小的参数组合保留下来。
最小二乘支持向量机具有支持向量机泛化能力强、全局最优的优点，适合用来对非线性关系的预测。它用误差的二次平方项作为损失函数，将不等式约束条件化为等式约束。设训练样本集(xi,yi)，
Figure RE-GDA0003618980850000121
y∈R，i＝1,2,...l，
模型训练转化为：
Figure RE-GDA0003618980850000122
约束条件为：
yi＝ωTφ(xi)+b+ξi,i＝1,2,…l (8)
引入Lagrange函数：
Figure RE-GDA0003618980850000123
其中α＝[α1,α2,…αl]是Lagrange因子，ξ为训练集训练误差向量，ω，b为模型参数，γ为正规化参数。
根据KKT(Karush-Kuhn-Tucker)条件获得：
Figure RE-GDA0003618980850000124
得到
Figure RE-GDA0003618980850000125
定义核函数K(x,xi)＝ψ(x)ψ(xi)为高维特征空间内积，代表非线性映射，综合上式和约束条件式，求解线性方程组
Figure RE-GDA0003618980850000131
通过将已有风速的时间序列进行代入训练，因为根据之前的风速已经得到fx，而对应倒推时刻之前的通过ARMA-AR-GARCH模型预测出的t-3、t-2、t-1、t时刻风速，以及t-1、t-2时刻真实风速分别对应变量也都是已知的，从而利用估计函数计算得到a和b。
将参数a和b代入公式(6)，确定出LS-SVM模型的具体形式；
预测t时刻风速时，将所述6个输入向量输入所述LS-SVM模型，得到t时刻的预测风速。
随着时间变量t的迁移，不断重复所述步骤S4，得出ARMA-AR-GARCH部分的预测风速时间序列。
本发明还涉及一种基于滚动时间序列和支持向量机的短期风速预测系统，用于实现如上所述的方法，所述系统包括：
输入模块，用于输入风速时间序列；
重构模块，用于相空间重构；
滚动预测模块，用于应用ARMA-AR-GARCH滚动预测；
应用模块,用于应用最小支持向量机；
输出模块，输出风速预测值。
本发明还涉及一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的基于滚动时间序列和支持向量机的短期风速预测方法。
本发明首先针对风速序列的混沌特性，对原始数据进行空间相重构，得出的变量输入应用ARMA-AR-GARCH时间序列模型预测出风速线性中间值，揭示了风速序列的线性关系；同时采用滚动预测策略，保证模型实时性。将风速线性和空间相重构得出的变量作为最小二乘支持向量机的输入，得到最后的预测风速，揭示出风速序列的非线性关系。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种基于滚动时间序列和支持向量机的短期风速预测方法，其特征在于，包括下列步骤：
S1.输入风速时间序列；
S2.相空间重构；
S3.应用ARMA-AR-GARCH滚动预测；
S4.应用最小支持向量机；
S5.输出风速预测值。
2.根据权利要求1所述的基于滚动时间序列和支持向量机的短期风速预测方法，其特征在于：
所述步骤S1.输入风速时间序列，包括：
输入原始风速时间序列Pb；
所述步骤S2.相空间重构,包括：
对所述原始风速时间序列Pb，按下列公式(1)进行相空间重构，得到空间相重构中间值序列，
Figure RE-FDA0003618980840000011
式中，τ为延迟时间，m为嵌入维度；
对得到的所述空间相重构中间值序列进行预处理，方便数据的处理。
3.根据权利要求1所述的基于滚动时间序列和支持向量机的短期风速预测方法，其特征在于，所述S3.应用ARMA-AR-GARCH滚动预测，包括：
将预处理后风速序列
Figure RE-FDA0003618980840000012
作为输入，利用ARMA-AR-GARCH时间序列模型预测出时刻
Figure RE-FDA0003618980840000013
的
Figure RE-FDA0003618980840000014
把
Figure RE-FDA0003618980840000015
归入预测风速序列，经过逆处理得出时刻
Figure RE-FDA0003618980840000016
的滚动预测风速
Figure RE-FDA0003618980840000017
4.根据权利要求3所述的基于滚动时间序列和支持向量机的短期风速预测方法，其特征在于,时间序列模型ARMA(p,q)为下列公式(2),用来对平稳序列进行预测；
Figure RE-FDA0003618980840000021
式中：c常数；φi和θj都是待估的自回归参数和移动平均参数；p和q分别为自回归和移动平均阶数；εt为时刻t的残差；
所述时间序列模型ARMA(p,q)的前提假设是模型残差均值为0，残差的方差为常数。
5.根据权利要求3所述的基于滚动时间序列和支持向量机的短期风速预测方法，其特征在于，GARCH模型为下列公式(3):
Figure RE-FDA0003618980840000022
式中，f(t,Pt-1,Pt-2,...)为pt的回归函数；et为N(0,1)高斯白噪声序列；m和n分别为模型阶数。
6.根据权利要求5所述的基于滚动时间序列和支持向量机的短期风速预测方法，其特征在于，AR(s)-GARCH(m,n)模型为下列公式(4):
Figure RE-FDA0003618980840000023
联立所述时间序列模型ARMA(p,q)和所述AR(s)-GARCH(m,n)模型，得到ARMA-AR-GARCH模型,如下列公式(5)
Figure RE-FDA0003618980840000031
7.根据权利要求1所述的基于滚动时间序列和支持向量机的短期风速预测方法，其特征在于，所述步骤S4.应用最小支持向量机，包括：
整理学习样本，进行归一化处理，选取通过ARMA-AR-GARCH模型预测出的t-3、t-2、t-1、t时刻风速，以及t-1、t-2时刻真实风速，作为6个输入向量；
利用估计函数计算得到a和b，所述估计函数为下列公式(6)：
Figure RE-FDA0003618980840000032
设训练样本集(xi,yi)，
Figure RE-FDA0003618980840000033
y∈R，i＝1,2,…l；
模型训练转化为：
Figure RE-FDA0003618980840000034
约束条件为：
yi＝ωTφ(xi)+b+ξi,i＝1,2,…l (8)
引入Lagrange函数：
Figure RE-FDA0003618980840000035
其中α＝[α1,α2,...αl]是Lagrange因子，ξ为训练集训练误差向量，ω，b为模型参数，γ为正规化参数；
根据KKT(Karush-Kuhn-Tucker)条件获得：
Figure RE-FDA0003618980840000041
得到
Figure RE-FDA0003618980840000042
定义核函数K(x,xi)＝ψ(x)ψ(xi)为高维特征空间内积，代表非线性映射，综合上式和约束条件式，求解线性方程组
Figure RE-FDA0003618980840000043
采用径向基函数
K(xi,xj)＝exp(-||xi-xj||2/(2σ2)) (12)
作为核函数，其估计函数为上述公式(6)；
通过将已有风速的时间序列进行代入训练，因为根据之前的风速已经得到fx，而对应倒推时刻之前的通过ARMA-AR-GARCH模型预测出的t-3、t-2、t-1、t时刻风速，以及t-1、t-2时刻真实风速分别对应变量也都是已知的，从而利用估计函数计算得到a和b；
将参数a和b代入公式(6)，确定出LS-SVM模型的具体形式；
将所述6个输入向量输入所述LS-SVM模型，得到t时刻的预测风速。
8.根据权利要求7所述的基于滚动时间序列和支持向量机的短期风速预测方法，其特征在于，随着时间变量t的迁移，不断重复所述步骤S4，得出ARMA-AR-GARCH部分的预测风速时间序列。
9.一种基于滚动时间序列和支持向量机的短期风速预测系统，用于实现如权利要求1-8所述的方法，其特征在于，所述系统包括：
输入模块，用于输入风速时间序列；
重构模块，用于相空间重构；
滚动预测模块，用于应用ARMA-AR-GARCH滚动预测；
应用模块,用于应用最小支持向量机；
输出模块，输出风速预测值。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1-8所述的基于滚动时间序列和支持向量机的短期风速预测方法。
CN202111370513.8A 2021-11-18 2021-11-18 基于滚动时间序列和支持向量机的短期风速预测方法和系统 Pending CN114595858A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111370513.8A CN114595858A (zh) 2021-11-18 2021-11-18 基于滚动时间序列和支持向量机的短期风速预测方法和系统
JP2022185214A JP7441553B2 (ja) 2021-11-18 2022-11-18 ローリング時系列及びサポートベクトルマシンに基づく短期風速の予測方法及びシステム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111370513.8A CN114595858A (zh) 2021-11-18 2021-11-18 基于滚动时间序列和支持向量机的短期风速预测方法和系统

Publications (1)

Publication Number Publication Date
CN114595858A true CN114595858A (zh) 2022-06-07

Family

ID=81803146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111370513.8A Pending CN114595858A (zh) 2021-11-18 2021-11-18 基于滚动时间序列和支持向量机的短期风速预测方法和系统

Country Status (2)

Country Link
JP (1) JP7441553B2 (zh)
CN (1) CN114595858A (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116662766B (zh) * 2023-08-01 2023-10-03 浙江大学 基于数据二维重构的风速预测方法及装置、电子设备
CN117056692B (zh) * 2023-10-09 2024-01-23 山东芯赛思电子科技有限公司 一种SiC基电机驱动器件的老化预测方法
CN117056735A (zh) * 2023-10-13 2023-11-14 云南电投绿能科技有限公司 一种风电场的短期风速预测方法、装置、设备及存储介质
CN117933363B (zh) * 2024-03-08 2024-06-11 广东工业大学 基于样本迁移的新建风电场短期风电功率预测方法和系统
CN118153754B (zh) * 2024-03-14 2024-09-17 深圳职业技术大学 一种基于MODWT-Informer网络的风电功率区间预测方法
CN118228002B (zh) * 2024-05-22 2024-09-20 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种基于低频滤波和自相关性的中长期风速预测方法
CN118378222B (zh) * 2024-06-21 2024-08-30 北京夏初科技集团有限公司 一种风力发电系统中的风速预测方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184391A (zh) * 2015-08-19 2015-12-23 国网山东省电力公司电力科学研究院 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
CN107194507A (zh) * 2017-05-17 2017-09-22 华北电力大学（保定） 一种基于组合支持向量机的风电场短期风速预测方法
CN110083940A (zh) * 2019-04-28 2019-08-02 东华大学 一种基于ssa-hmd-cnnsvm模型的短期风速预测方法
WO2020224112A1 (zh) * 2019-05-07 2020-11-12 深圳大学 一种基于训练级数模型的时间序列预测方法
CN112949895A (zh) * 2020-12-21 2021-06-11 华能新能源股份有限公司 一种基于动态可扩展神经网络模型的风速预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102102626B (zh) 2011-01-30 2012-08-29 华北电力大学 风电场短期功率预测方法
US10443577B2 (en) 2015-07-17 2019-10-15 General Electric Company Systems and methods for improved wind power generation
CN107292446B (zh) 2017-07-03 2021-01-29 西南交通大学 一种基于考虑分量关联性小波分解的混合风速预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184391A (zh) * 2015-08-19 2015-12-23 国网山东省电力公司电力科学研究院 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
CN107194507A (zh) * 2017-05-17 2017-09-22 华北电力大学（保定） 一种基于组合支持向量机的风电场短期风速预测方法
CN110083940A (zh) * 2019-04-28 2019-08-02 东华大学 一种基于ssa-hmd-cnnsvm模型的短期风速预测方法
WO2020224112A1 (zh) * 2019-05-07 2020-11-12 深圳大学 一种基于训练级数模型的时间序列预测方法
CN112949895A (zh) * 2020-12-21 2021-06-11 华能新能源股份有限公司 一种基于动态可扩展神经网络模型的风速预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨茂;黄宾阳;江博;林思思;: "基于卡尔曼滤波和支持向量机的风电功率实时预测研究", 东北电力大学学报, no. 02, 15 April 2017 (2017-04-15), pages 49 - 55 *

Also Published As

Publication number Publication date
JP7441553B2 (ja) 2024-03-01
JP2023075072A (ja) 2023-05-30

Similar Documents

Publication Publication Date Title
CN114595858A (zh) 基于滚动时间序列和支持向量机的短期风速预测方法和系统
Zhao et al. Improved shuffled frog leaping algorithm-based BP neural network and its application in bearing early fault diagnosis
Liu et al. Short-term wind-power prediction based on wavelet transform–support vector machine and statistic-characteristics analysis
De Giorgi et al. Assessment of the benefits of numerical weather predictions in wind power forecasting based on statistical methods
CN112651290A (zh) 一种水电机组振动趋势预测方法和系统
CN112200694B (zh) 基于图神经网络的主导失稳模式识别模型构建及应用方法
CN114006370B (zh) 一种电力系统暂态稳定分析评估方法及系统
CN112307677A (zh) 基于深度学习的电网振荡模态评估与安全主动预警方法
CN106779135A (zh) 一种混合动力船舶负载功率预测方法
CN113627674A (zh) 一种分布式光伏电站出力预测方法、装置及存储介质
Zhang et al. Fault diagnosis based on support vector machines with parameter optimization by an ant colony algorithm
CN114266416A (zh) 基于相似日的光伏发电功率短期预测方法、装置及存储介质
Kong et al. Vibration fault analysis of hydropower units based on extreme learning machine optimized by improved sparrow search algorithm
CN114298132A (zh) 风电功率预测方法及装置、电子设备
CN107844872B (zh) 一种用于风力发电的短期风速预报方法
CN107527093B (zh) 一种风电机组运行状态诊断方法及装置
Manero et al. Deep Learning is blowing in the wind. Deep models applied to wind prediction at turbine level
Mehr et al. The validity of deep learning computational model for wind speed simulation
Zhang et al. SFR Modeling for Hybrid Power Systems Based on Deep Transfer Learning
Sangeetha et al. Integrating Machine Learning Algorithms for Predicting Solar Power Generation
Zhu et al. Prediction of air quality index based on wavelet transform combination model
Muhammed et al. Artificial Intelligence (AI) Advanced Techniques for Real-Time Inertia Estimation in Renewable-Based Power Systems
Das et al. Wind energy forecasting using Decomposition Technique and Machine Learning and Designing Multi-Task EMS
CN117439068B (zh) 一种大规模电网中的电压暂降预估方法、介质及系统
Shi et al. Study on stability feature extraction of power system using deep learning

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