一種新型混合預(yù)測(cè)模型的研究與應(yīng)用.docx

一種新型混合預(yù)測(cè)模型的研究與應(yīng)-中國(guó)風(fēng)速預(yù)測(cè)案例研究摘 要鑒于目前能源危機(jī)日益嚴(yán)重，新能源的開(kāi)發(fā)利用日益受到重視，風(fēng)能在這些可再生能源中得到廣泛的應(yīng)用。然而，風(fēng)電的隨機(jī)性可能會(huì)在電力系統(tǒng)中引起一系列問(wèn)題。此外，將大型風(fēng)電場(chǎng)整合到整個(gè)電網(wǎng)中將給穩(wěn)定和安全帶來(lái)沉重的負(fù)擔(dān)。準(zhǔn)確的風(fēng)速預(yù)測(cè)將降低風(fēng)電的隨機(jī)性，有效緩解風(fēng)電對(duì)電力系統(tǒng)的不利影響。在本文中，提出了一種混合風(fēng)速預(yù)測(cè)模型，希望實(shí)現(xiàn)更好的預(yù)測(cè)性能。采用小波包變換（WPT）將風(fēng)速級(jí)數(shù)分解成不同頻率的幾個(gè)系列。建立了基于模擬退火（PSOSA）的粒子群優(yōu)化調(diào)整參數(shù)的最小二乘支持向量機(jī)（LSSVM），對(duì)該系列進(jìn)行建模。模型的最優(yōu)輸入形式由相空間重建（PSR）確定。為了驗(yàn)證擬議模型的有效性，以西北地區(qū)甘肅省四個(gè)風(fēng)電場(chǎng)的日平均風(fēng)速為例，模擬和灰色關(guān)系分析的結(jié)果表明，所提出的模型優(yōu)于對(duì)照模型，并且接受了具有相同均值的真實(shí)系列的預(yù)測(cè)序列的零假設(shè)。目 錄1 介紹12 方法論42.1 小波包變換（WPT）42.2 相空間重建C-C法42.3 最小二乘支持向量機(jī)（LSSVM）42.4 優(yōu)化算法52.4.1 粒子群優(yōu)化（PSO）52.4.2 模擬退火（SA）52.4.3 組合優(yōu)化算法PSOSA52.5 灰色關(guān)系分析63 混合WPT-LSSVM-PSOSA模型64 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果74.1 研究區(qū)域和數(shù)據(jù)集74.2 預(yù)測(cè)精度的績(jī)效標(biāo)準(zhǔn)74.3 WPT的結(jié)果84.4 相空間重建（PSR）84.5 選擇LSSVM模型84.6 模型比較94.7 灰色關(guān)系分析結(jié)果104.8 統(tǒng)計(jì)假設(shè)檢驗(yàn)105 結(jié)論111 介紹隨著世界能源消耗不斷增加，傳統(tǒng)能源資源蓬勃發(fā)展，化石燃料儲(chǔ)存量下降，全球能源危機(jī)逐漸顯現(xiàn)。因此，減輕能源危機(jī)，發(fā)展可再生能源，實(shí)現(xiàn)能源的可持續(xù)發(fā)展已成為世界能源發(fā)展戰(zhàn)略的重大舉措。風(fēng)能是可再生能源的重要類(lèi)別，資源豐富，可再生，廣泛分布和清潔，導(dǎo)致風(fēng)電成為重要的可再生能源發(fā)展方向。目前，風(fēng)電不僅在發(fā)達(dá)國(guó)家，還在許多發(fā)展中國(guó)家廣泛應(yīng)用，甚至在一些發(fā)達(dá)國(guó)家，風(fēng)電部分取代了傳統(tǒng)發(fā)電模式，是經(jīng)濟(jì)發(fā)展的基本動(dòng)力。中國(guó)是世界上最大的發(fā)展中國(guó)家，擁有豐富的風(fēng)能資源。隨著風(fēng)電技術(shù)日益成熟和政府的大力支持，風(fēng)電已成為全國(guó)增長(zhǎng)最快的可再生能源。根據(jù)中國(guó)政府的計(jì)劃，到2020年，風(fēng)電裝機(jī)容量將達(dá)到30吉瓦1。在當(dāng)今風(fēng)力發(fā)電的快速發(fā)展中，風(fēng)電在整個(gè)電力系統(tǒng)中的比重越來(lái)越大。然而，由于風(fēng)能的隨機(jī)性和間歇性，隨機(jī)風(fēng)速和風(fēng)向?qū)е嘛L(fēng)力發(fā)電機(jī)輸出功率的明顯波動(dòng)，這種波動(dòng)對(duì)電網(wǎng)頻率和電壓穩(wěn)定性產(chǎn)生不利影響。當(dāng)風(fēng)電比例達(dá)到一定程度時(shí)，對(duì)電力系統(tǒng)的安全穩(wěn)定運(yùn)行和發(fā)電量的質(zhì)量構(gòu)成嚴(yán)重挑戰(zhàn)。另外，為了應(yīng)對(duì)風(fēng)力發(fā)電的間歇性和隨機(jī)性，需要足夠的備用電力來(lái)保護(hù)用戶(hù)的正常供電，從而增加了電力系統(tǒng)的儲(chǔ)備能力，這無(wú)疑增加了電力系統(tǒng)的運(yùn)行成本電力系統(tǒng)。因此，準(zhǔn)確的風(fēng)速預(yù)測(cè)可以提高隨機(jī)風(fēng)電的可預(yù)見(jiàn)性，降低儲(chǔ)備功率需求，從而提高電網(wǎng)的可靠性。降低運(yùn)行成本和旋轉(zhuǎn)儲(chǔ)備將有可能增加電網(wǎng)中的風(fēng)力發(fā)電量。為了避免風(fēng)力發(fā)電一體化的挑戰(zhàn)，相對(duì)精確的風(fēng)速和風(fēng)力發(fā)電預(yù)測(cè)是非常重要的。目前，中國(guó)風(fēng)電場(chǎng)的風(fēng)速預(yù)測(cè)誤差在25-40的范圍內(nèi)2,3。這些結(jié)果不盡如人意，不僅與預(yù)測(cè)方法有關(guān)，而且與預(yù)測(cè)期有關(guān)。根據(jù)風(fēng)電運(yùn)行的要求，預(yù)測(cè)可分為四個(gè)層面：4,5：超短期，短期，中長(zhǎng)期和長(zhǎng)期。超短期預(yù)測(cè)和短期預(yù)測(cè)主要用于負(fù)載跟蹤和預(yù)負(fù)載共享。風(fēng)力發(fā)電機(jī)組的電力系統(tǒng)管理和維護(hù)措施分別采用中長(zhǎng)期和長(zhǎng)期6,7的預(yù)測(cè)進(jìn)行。近期，許多研究人員對(duì)風(fēng)速和風(fēng)力發(fā)電預(yù)報(bào)進(jìn)行了深入研究，并提出了許多方法，并將其應(yīng)用于風(fēng)電場(chǎng)。這些方法可以分為四個(gè)類(lèi)別8：物理模型，統(tǒng)計(jì)模型，空間相關(guān)模型和人工智能模型。物理模型不僅利用歷史數(shù)據(jù)，還考慮了天氣和地理?xiàng)l件來(lái)幫助風(fēng)速預(yù)測(cè)，期望實(shí)現(xiàn)更好的預(yù)測(cè)精度9,10。相反，稱(chēng)為隨機(jī)時(shí)間序列模型的統(tǒng)計(jì)模型只采用歷史風(fēng)速。這種模型方法易于應(yīng)用，實(shí)現(xiàn)簡(jiǎn)單。因此，風(fēng)速預(yù)測(cè)中常出現(xiàn)幾種類(lèi)型的時(shí)間序列模型，包括自回歸模型（AR），移動(dòng)平均模型（MA），自回歸移動(dòng)平均模型（ARMA）11和自回歸積分移動(dòng)平均模型（ARIMA） 12。文獻(xiàn)調(diào)查得出的結(jié)論是，在絕大多數(shù)案例研究中，統(tǒng)計(jì)模型在適用于短期，中期和長(zhǎng)期風(fēng)速預(yù)測(cè)時(shí)表現(xiàn)良好，而物理學(xué)模型在超短期和短期視野中呈現(xiàn)令人滿(mǎn)意的結(jié)果。通常，當(dāng)風(fēng)電場(chǎng)的可用研究信息不足時(shí)，空間相關(guān)模型13,14主要被使用，但是幾個(gè)相鄰風(fēng)電場(chǎng)的基本信息是可用的。與其他模型不同，為了建立空間相關(guān)風(fēng)速預(yù)測(cè)模型，必須從多個(gè)空間相關(guān)位置測(cè)量風(fēng)速和其他包含延遲時(shí)間的必要信息。因此，測(cè)量及其延遲時(shí)間增加了實(shí)施空間相關(guān)預(yù)測(cè)的復(fù)雜性和成本。最近隨著人工智能技術(shù)的飛速發(fā)展和普及，應(yīng)用不同的智能算法，包括人工神經(jīng)網(wǎng)絡(luò)（ANN）15-19，支持向量機(jī)（SVM）20- 22和模糊邏輯方法23,24，風(fēng)速預(yù)測(cè)?；旌巷L(fēng)速預(yù)測(cè)模型25-28被廣泛采用，具有令人滿(mǎn)意的預(yù)測(cè)結(jié)果。這樣的原因可以在很大程度上挖掘不同風(fēng)速時(shí)間序列的隱藏信息。根據(jù)許多研究，至少有三種可以提高風(fēng)速預(yù)測(cè)精度的方法。首先，在進(jìn)入預(yù)測(cè)模型之前，對(duì)原始風(fēng)速系列進(jìn)行了預(yù)測(cè)，以達(dá)到相對(duì)較高的預(yù)測(cè)精度。小波變換（WT）29-31和經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥MD）19,32,33是處理風(fēng)速系列的最常見(jiàn)技術(shù)。前者可以去除原始序列的不規(guī)則波動(dòng)，而后者可以將原始序列分解為若干內(nèi)在模型函數(shù)（IMF）進(jìn)行建模。其次，眾所周知，投入表對(duì)預(yù)測(cè)結(jié)果有重要的影響。有時(shí)，投入表決是通過(guò)反復(fù)試驗(yàn)和研究人員的經(jīng)驗(yàn)來(lái)決定的。在許多論文中，應(yīng)用部分自動(dòng)相關(guān)函數(shù)（PACF）32,33來(lái)選擇最佳輸入形式。在本文中，我們使用相空間重建34來(lái)確定輸入格式。第三，模型參數(shù)在建模過(guò)程的預(yù)測(cè)精度上起著重要的作用。隨著科學(xué)技術(shù)的發(fā)展，常用的智能優(yōu)化算法，如遺傳算法（GAs）29,35，模擬退火（SA）36,37，實(shí)用群算法（PSO）5,35 ，蟻群優(yōu)化（ACO）38被廣泛應(yīng)用于參數(shù)優(yōu)化。此外，許多論文已經(jīng)證明，通過(guò)智能優(yōu)化算法優(yōu)化的模型具有更好的預(yù)測(cè)性能。在本文中，提出了一種混合模型，期望更準(zhǔn)確地預(yù)測(cè)風(fēng)速。與WT方法相比，WPT方法不僅分解低頻序列，而且分解高頻序列，可以更精細(xì)地挖掘原始序列的特征。首先，采用WPT方法處理原風(fēng)電系列，提高預(yù)測(cè)能力，可以實(shí)現(xiàn)不同頻率的不同頻率系列，包含不同風(fēng)速特征。然后，對(duì)于所有子系列，對(duì)相位空間重建進(jìn)行整形，以選擇除頻率最高的子系列之外的輸入形式，并且嵌入維度和延遲時(shí)間由于C-C方法而易于計(jì)算操作和最小計(jì)算要求。最后，建立了最小二乘支持向量機(jī)（LSSVM）模型來(lái)預(yù)測(cè)所選擇的子系列。由于LSSVM模型中的所有參數(shù)對(duì)預(yù)測(cè)精度都有顯著的影響，與基本PSO算法相比，基于模擬退火（PSOSA）的粒子群優(yōu)化具有避免落入局部極值點(diǎn)的能力，用于優(yōu)化LSSVM模型中的兩個(gè)參數(shù)。風(fēng)速預(yù)測(cè)值可以通過(guò)將所有選定的子系列除了頻率最高的預(yù)測(cè)值相加以獲得。為了評(píng)估混合方法的有效性，對(duì)位于中國(guó)西北甘肅省的四個(gè)風(fēng)電場(chǎng)進(jìn)行了案例研究。此外，灰色關(guān)聯(lián)分析和統(tǒng)計(jì)假設(shè)檢驗(yàn)用于評(píng)估所提出的模型產(chǎn)生的預(yù)測(cè)序列的合理性。提出的模型的優(yōu)點(diǎn)，導(dǎo)致更好的預(yù)測(cè)性能，在以下幾個(gè)方面表現(xiàn)出來(lái)。首先，許多單一方法通過(guò)直接使用原始風(fēng)速系列來(lái)實(shí)現(xiàn)風(fēng)速預(yù)測(cè)，但是由于原始系列中的隨機(jī)噪聲的影響，預(yù)測(cè)精度不太令人滿(mǎn)意。在本文中，WPT用于預(yù)處理原風(fēng)速系列，降低隨機(jī)噪聲的影響。那么，所提出的模型中的輸入形式確定是更為微小，更新穎。通過(guò)審查許多論文，我們發(fā)現(xiàn)輸入表單的確定是基于經(jīng)驗(yàn)或PACF的數(shù)字29。然而，受溫度，壓力和濕度等因素影響的風(fēng)速波動(dòng)是一個(gè)復(fù)雜的非線(xiàn)性動(dòng)力系統(tǒng)。因此，本文的創(chuàng)新是將相空間理論分為風(fēng)速預(yù)測(cè)。同時(shí)，輸入表單可以通過(guò)C-C方法自動(dòng)確定，可以減少個(gè)人選擇性輸入對(duì)預(yù)測(cè)結(jié)果的影響。因此，我們使用驗(yàn)證集來(lái)減輕可能的過(guò)度擬合而不是使用整個(gè)訓(xùn)練集39。另外，考慮到所有方面，選擇LSSVM作為主要的預(yù)測(cè)模型是合適的。在文獻(xiàn)中，三個(gè)非常重要和廣泛使用的風(fēng)速預(yù)測(cè)模型是ANN，SVM和LSSVM。雖然ANNs訓(xùn)練算法具有從給定數(shù)據(jù)自適應(yīng)學(xué)習(xí)的能力，但它們受到諸如存在局部最小值，過(guò)擬合和慢收斂速度等幾個(gè)缺點(diǎn)的困擾40。此外，LSSVM和SVM也可以提供比一些人工神經(jīng)網(wǎng)絡(luò)更穩(wěn)定的預(yù)測(cè)結(jié)果，因?yàn)锳NN的權(quán)重是隨機(jī)初始化的。然而，SVM的主要缺點(diǎn)是訓(xùn)練階段的速度較慢41，本文應(yīng)用LSSVM可以通過(guò)將SVM的二次規(guī)劃問(wèn)題轉(zhuǎn)化為求解線(xiàn)性方程的問(wèn)題來(lái)提高解決問(wèn)題的訓(xùn)練速度。與其他僅使用單個(gè)PSO或單個(gè)SA的單一智能優(yōu)化算法的其他LSSVM參數(shù)確定方法不同，本文應(yīng)用了PSO和SA的組合，以避免落入局部極值點(diǎn)。最后，除了使用三個(gè)常見(jiàn)的錯(cuò)誤標(biāo)準(zhǔn)（MAE，MSE和MAPE）來(lái)評(píng)估所提出的混合模型的效率之外，還使用灰色關(guān)系分析和統(tǒng)計(jì)假設(shè)檢驗(yàn)來(lái)說(shuō)明從幾何角度出發(fā)的模型的優(yōu)越性形式的預(yù)測(cè)系列和統(tǒng)計(jì)學(xué)?？傮w而言，開(kāi)發(fā)模式的新穎性體現(xiàn)在以下幾個(gè)方面：（1）利用數(shù)據(jù)預(yù)處理方法處理原風(fēng)電系列; （2）相位空間執(zhí)行選擇輸入格式; （3）利用人工智能（PSOSA）模型調(diào)整參數(shù)的LSSVM模型進(jìn)行預(yù)測(cè)。 （4）選擇灰色關(guān)聯(lián)分析和假設(shè)檢驗(yàn)作為提出模型預(yù)測(cè)性能的新工具。2 方法論2.1 小波包變換（WPT）小波包變換（WPT）是一種風(fēng)力數(shù)據(jù)處理的有效方法，可將風(fēng)速系列分為一組本構(gòu)系列。當(dāng)使用這些本構(gòu)系列進(jìn)行時(shí)間序列預(yù)測(cè)時(shí)，由于WPT技術(shù)的過(guò)濾效果，可以實(shí)現(xiàn)更好的預(yù)測(cè)精度。小波包的概念首先由Wie-kerhauser等人提出，并基于小波變換的定理。小波包變換的結(jié)構(gòu)與離散小波變換（DWT）相似。兩者都有一個(gè)包含多分辨率分析（MRA）的框架。然而，小波變換只是分解低頻序列，而高頻序列保持不變。圖1的部分（b）示出了小波變換的示意圖。分解的結(jié)果為X0 = H1 + H2 + + Hj + Lj。也就是說(shuō)，原始序列X0被轉(zhuǎn)換為近似分量Lj，并且許多細(xì)節(jié)分量Hii= 1; 。 。 。 ;第j個(gè)。近似分量包含低頻信息。提供信號(hào)的最重要的部分是它的身份和細(xì)節(jié)組成部分，揭示了信號(hào)的味道。由于其分解尺度是基于二進(jìn)制模式的變化，所以這種類(lèi)型的分解在高頻下產(chǎn)生較差的頻率分辨率，在低頻下產(chǎn)生較差的時(shí)間分辨率。然而，對(duì)于小波包變換，如圖1的部分（a）所示，它產(chǎn)生進(jìn)一步的低頻和高頻分解。這有效地補(bǔ)償了缺少小波變換。在圖1中，L和H分別表示低頻和高頻，下標(biāo)表示小波包的分解層。我們可以得到X0 = LLL3 + LLH3 + LHL3 + LHH3 + HLL3 + HLH3 + HHL3 + HHH3。 WPT的原理可以分別代表縮放函數(shù)和母小波函數(shù)。因此，我們稱(chēng)之為Wn（t）正交縮放函數(shù)W0ut的小波包。2.2 相空間重建C-C法在重建過(guò)程中，嵌入維數(shù)m和延遲時(shí)間s的選擇非常重要，兩個(gè)參數(shù)的適當(dāng)選擇直接影響到相空間重構(gòu)的質(zhì)量，從而影響了預(yù)測(cè)精度。 在本文采用C-C方法確定相空間重建參數(shù)。 C-C方法可以通過(guò)應(yīng)用相關(guān)積分來(lái)同時(shí)估計(jì)延遲時(shí)間和嵌入維數(shù)。 雖然C-C方法是根據(jù)統(tǒng)計(jì)結(jié)果，沒(méi)有堅(jiān)實(shí)的理論依據(jù)，使用方便，需要少量計(jì)算，并具有較強(qiáng)的抗噪聲能力。 更多信息可以在參考。42。2.3 最小二乘支持向量機(jī)（LSSVM）Suykens等提出了最小二乘支持向量機(jī) 在1999年，是標(biāo)準(zhǔn)支持向量機(jī)（SVM）的變體。 解決SVM模型中的二次規(guī)劃問(wèn)題轉(zhuǎn)化為線(xiàn)性求解系統(tǒng)方程，避免了不敏感的損耗函數(shù)，大大降低了計(jì)算復(fù)雜度。 LSSVM功能的估計(jì)功能用于解決如下所述的以下問(wèn)題。 考慮輸入xi; yijxi2 Rm; 特征空間yxxuxb適合樣本集，其中ux是從輸入空間到高維特征空間的非線(xiàn)性映射; x是權(quán)重向量; b是偏見(jiàn)。 當(dāng)使用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理時(shí)，回歸問(wèn)題轉(zhuǎn)化為約束優(yōu)化問(wèn)題，最小二乘支持向量機(jī)方法可以表達(dá)如下。2.4 優(yōu)化算法在本節(jié)中，介紹了基本粒子群優(yōu)化（PSO）和模擬退火（SA）的原理，其次是組合優(yōu)化算法（PSOSA）的策略。2.4.1 粒子群優(yōu)化（PSO）受動(dòng)物植物行為的啟發(fā)，粒子群優(yōu)化（PSO）由肯尼迪和Eberhart首先引入，廣泛用于參數(shù)優(yōu)化。在PSO算法中，每個(gè)粒子代表潛在的優(yōu)化問(wèn)題解決方案。首先，在初始化大量隨機(jī)粒子之后，每個(gè)粒子通過(guò)跟蹤單個(gè)極值（單個(gè)粒子找到的最優(yōu)解）和全局極值（所有粒子找到的最優(yōu)解）直到最優(yōu)解為找到。2.4.2 模擬退火（SA）模擬退火（SA）算法是基于蒙特卡洛迭代解決策略的隨機(jī)優(yōu)化算法，首先在Kirkpatrick等人的組合優(yōu)化領(lǐng)域中使用。該算法遵循固體物質(zhì)的退火過(guò)程與一般組合優(yōu)化過(guò)程之間的相似性。然后利用固體物質(zhì)退火的物理原理，將此熱力學(xué)理論應(yīng)用于統(tǒng)計(jì)學(xué)。從較高的初始溫度開(kāi)始，采用大都會(huì)采樣策略在解空間中進(jìn)行隨機(jī)搜索，隨著溫度逐漸降低，重復(fù)采樣過(guò)程，最終可以獲得問(wèn)題的全局最優(yōu)解。 SA算法的基本步驟如下：通過(guò)重復(fù)上述步驟，SA算法在逐漸降低溫度方面符合某些退火方案。當(dāng)溫度足夠低時(shí)，可以達(dá)到全球最佳狀態(tài)。 SA算法在求解組合優(yōu)化問(wèn)題方面取得了很好的效果，可以解決傳統(tǒng)優(yōu)化方法困難的一些問(wèn)題。2.4.3 組合優(yōu)化算法PSOSA混合優(yōu)化算法的基本設(shè)計(jì)思想如下。首先，通過(guò)使用收縮因子更新方法的粒子速度更新公式來(lái)改進(jìn)基本的PSO算法。然后，結(jié)合模擬退火算法和粒子群算法，建立初始溫度與初始粒子群之間的關(guān)系。此外，本文還采用遺傳算法相關(guān)的輪盤(pán)輪選擇策略。PSO算法簡(jiǎn)單，易于實(shí)現(xiàn)，需要的參數(shù)較少，收斂速度快。然而，PSO算法可以輕易地落入局部極值點(diǎn)，導(dǎo)致問(wèn)題偏離最優(yōu)位置。改善避免掉入本地極值點(diǎn)的能力，我們嘗試從單個(gè)最佳位置pi中選擇一個(gè)位置，以代替記錄為p0g的速度更新公式中的全局最優(yōu)位置pg。首先，通過(guò)使用Clerc提出的收縮因子v和學(xué)習(xí)因子c1和c2的函數(shù)來(lái)改進(jìn)基本的PSO算法。具有收縮因子的PSO算法的速度和位置更新公式定義如下：?jiǎn)栴}出在如何選擇一個(gè)有效的最優(yōu)定位pi。顯然，具有良好性能的pi應(yīng)該具有較高的選擇概率。根據(jù)SA算法的機(jī)理，每個(gè)粒子pi的最佳位置被認(rèn)為是比全局最優(yōu)位置pg更差的特殊位置，所以可以通過(guò)公式計(jì)算出飛躍概率。 2.5 灰色關(guān)系分析灰色關(guān)系分析理論由鄧先生于1986年首次引入?；疑P(guān)聯(lián)分析的基本思想是根據(jù)系列幾何形狀的相似度來(lái)檢查不同系列是否緊密接觸。幾何形狀的相似度越高，相關(guān)性越大，反之亦然?；疑P(guān)聯(lián)分析的主要步驟如下：3 混合WPT-LSSVM-PSOSA模型在本節(jié)中，將詳細(xì)介紹所提出的混合模型（WPT-LSSVM-PSOSA），該模型的流程圖如圖4所示?；旌戏椒ㄓ伤牟糠纸M成。第一部分：數(shù)據(jù)預(yù)處理。 WPT用于將風(fēng)力數(shù)據(jù)系列分解成低頻分量和幾個(gè)高頻分量。與低頻組件相比，高頻組件具有較大的隨機(jī)性，對(duì)未來(lái)的風(fēng)速影響不大。因此，最高頻率序列被消除，另一個(gè)系列被重構(gòu)，然后作為自變量饋入風(fēng)速預(yù)測(cè)模型，因?yàn)樗鼈儽３至孙L(fēng)速序列的主要波動(dòng)。第二部分：輸入選擇。使用相空間重建方法重寫(xiě)原始風(fēng)速序列，嵌入尺寸和延遲時(shí)間由C-C方法確定。然后，每個(gè)系列分為三組：訓(xùn)練集，驗(yàn)證集和模型訓(xùn)練，驗(yàn)證和測(cè)試的測(cè)試集。第三部分：模型訓(xùn)練和模型驗(yàn)證。這里，LSSVM-PSOSA模型適用于風(fēng)速預(yù)測(cè)，具體步驟如下：步驟1：確定PSOSA的參數(shù)。步驟2：確定適應(yīng)度函數(shù)，并將驗(yàn)證集的均方誤差（MSE）設(shè)為粒子的適應(yīng)度。步驟3：初始化LSSVM模型的結(jié)構(gòu)。步驟4：更新每個(gè)粒子和全局極值的各個(gè)極值，然后生成下一代粒子。步驟5：確定該算法的停止條件。首先，評(píng)估新粒子群體的適應(yīng)性。如果達(dá)到最大迭代次數(shù)或預(yù)期誤差，則轉(zhuǎn)到步驟6;否則，轉(zhuǎn)到步驟4繼續(xù)迭代。步驟6：停止迭代，必須達(dá)到全局極值，從而達(dá)到LSSVM模型的相應(yīng)最優(yōu)參數(shù)。第四部分：風(fēng)速預(yù)測(cè)。在這部分中，利用PSOSA調(diào)整的優(yōu)化參數(shù)的LSSVM模型用于預(yù)測(cè)WPT分解的每個(gè)序列，然后通過(guò)疊加每個(gè)子系列的預(yù)測(cè)值來(lái)獲得風(fēng)速預(yù)測(cè)系列。在通過(guò)本文預(yù)先設(shè)定的模型獲得預(yù)測(cè)值后，進(jìn)行了灰色關(guān)聯(lián)分析。然后，進(jìn)行假設(shè)檢驗(yàn)，以評(píng)估預(yù)測(cè)系列的平均值是否與四個(gè)站點(diǎn)的實(shí)際系列相同。4 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果4.1 研究區(qū)域和數(shù)據(jù)集本文選取的研究區(qū)域包括甘肅省西北部的張掖，武威，酒泉，馬宗山等4個(gè)風(fēng)電場(chǎng)。研究區(qū)簡(jiǎn)單的地圖如圖5所示，由于地理特征，這些地區(qū)擁有世界領(lǐng)先的風(fēng)能資源，成為中國(guó)最大的風(fēng)力發(fā)電項(xiàng)目28。因此，對(duì)風(fēng)能資源評(píng)估進(jìn)行準(zhǔn)確的風(fēng)速預(yù)測(cè)至關(guān)重要。在這里，從四個(gè)站點(diǎn)抽取大約六年的平均每日風(fēng)速被用來(lái)說(shuō)明所提出的模型的有效性能。日常風(fēng)速總數(shù)為2191.在進(jìn)入模型之前，系列分為訓(xùn)練集，驗(yàn)證集和測(cè)試集三部分，其比例分別為約75，25和25。下表1顯示了四個(gè)風(fēng)速系列的平均值，標(biāo)準(zhǔn)偏差和最大和最小速度?？梢郧宄乜吹剑撓盗械慕y(tǒng)計(jì)特性彼此不同，因此，如果所提出的模型可以廣泛應(yīng)用于現(xiàn)實(shí)世界，我們可以從預(yù)測(cè)結(jié)果得出結(jié)論。在本文的其余部分，我們分別使用指定站點(diǎn)1，站點(diǎn)2，站點(diǎn)3和站點(diǎn)4替換武威站點(diǎn)，酒泉站點(diǎn)，張掖站點(diǎn)和馬祖山站點(diǎn)。4.2 預(yù)測(cè)精度的績(jī)效標(biāo)準(zhǔn)為了評(píng)估所提出的混合模型的效率，建立了其他模型進(jìn)行比較。最近，在文獻(xiàn)中，許多不同的錯(cuò)誤標(biāo)準(zhǔn)被廣泛使用，但沒(méi)有一個(gè)標(biāo)準(zhǔn)被證明是可以應(yīng)用于所有情況的通用標(biāo)準(zhǔn)方法。因此，使用多個(gè)標(biāo)準(zhǔn)來(lái)全面評(píng)估前瞻性研究中的預(yù)測(cè)性能，有趣的是評(píng)估不同標(biāo)準(zhǔn)是否反映了不同型號(hào)的相同性能水平。在本文中，采用三個(gè)標(biāo)準(zhǔn)：平均絕對(duì)誤差（MAE），均方誤差（MSE）和平均絕對(duì)百分比誤差（MAPE）。目前，風(fēng)速預(yù)測(cè)誤差大約在2540之間2,3，這不僅與預(yù)測(cè)方法有關(guān)，而且與預(yù)測(cè)的范圍和風(fēng)速特征有關(guān)。一般來(lái)說(shuō)，預(yù)測(cè)的時(shí)間越短，風(fēng)速變化越穩(wěn)定，預(yù)測(cè)誤差越小。否則，預(yù)測(cè)錯(cuò)誤將會(huì)更大43。4.3 WPT的結(jié)果為提高原風(fēng)速系列的預(yù)報(bào)性能，提供了諸如WT，WPT，EMD等多種方法。 WPT用于解決原始風(fēng)速系列。有許多已知的小波函數(shù)可用于分解原始數(shù)據(jù)，根據(jù)案例數(shù)據(jù)的特點(diǎn)，采用“db4”小波函數(shù)將原始風(fēng)速分解為兩個(gè)不同頻率的子序列的兩層。圖6顯示了現(xiàn)場(chǎng)1（武威站）的WPT的原始風(fēng)速系列及其子序列，從低到高的頻率。從圖6可以看出，具有最小頻率的子系列（LL2）與主風(fēng)速時(shí)間序列具有很高的相似性。然而，其他三個(gè)具有相對(duì)較高頻率的子序列顯示出一些不可思議的風(fēng)速變化。在本文中，考慮到二層的三個(gè)子系列（LL2，LH2和HL2），希望盡可能多地挖掘原始風(fēng)速的隱藏特征，并將子系列HH2與rel相對(duì)較高的頻率被去除。4.4 相空間重建（PSR）為了預(yù)測(cè)風(fēng)速，LSSVM模型是為選定的子序列構(gòu)建的。對(duì)于LSSVM模型，大約有四個(gè)部分將影響預(yù)測(cè)性能：輸入格式，預(yù)測(cè)視野，內(nèi)核函數(shù)和模型參數(shù)。在本節(jié)中，相空間重建用于確定輸入格式。在該方法中，通過(guò)C-C方法選擇PSR的兩個(gè)重要參數(shù)，嵌入維數(shù)m和延遲時(shí)間s。然而，可以獲得時(shí)間窗口和延遲時(shí)間s。時(shí)間窗口 - 可以在Scor達(dá)到全局最小值時(shí)獲得，延遲時(shí)間s為當(dāng)DSt達(dá)到第一個(gè)最小點(diǎn)時(shí)選擇。然后，嵌入維數(shù)m由公式m1s間接獲得。這里，C-C方法中的最大延遲時(shí)間是12，任意選擇。表2和表3顯示了應(yīng)用于四個(gè)位點(diǎn)的C-C方法的結(jié)果。根據(jù)表2和3所示的結(jié)果，可以獲得 - 和延遲時(shí)間s的值。此外，計(jì)算出的嵌入維度如表4所示。4.5 選擇LSSVM模型如上所述，我們知道參數(shù)和閾值函數(shù)是用于風(fēng)速預(yù)測(cè)的LSSVM模型的重要方面。這里采用RBF核函數(shù)，采用PSOSA優(yōu)化算法優(yōu)化參數(shù)c;通過(guò)最小化驗(yàn)證集中產(chǎn)生的錯(cuò)誤來(lái)確定。 PSOSA算法的一些參數(shù)如表5所示。PSOSA的適應(yīng)度函數(shù)是用于選擇LSSVM模型的時(shí)間序列預(yù)測(cè)的最優(yōu)參數(shù)的驗(yàn)證集中生成的MSE值。表6顯示了最佳參數(shù)c;通過(guò)使用PSOSA算法實(shí)現(xiàn)的LSSVM模型的r2。在確定最佳輸入形式后，獲得具有最佳參數(shù)的最優(yōu)LSSVM模型，應(yīng)用測(cè)試集來(lái)評(píng)估擬議模型的預(yù)測(cè)性能。表7顯示了四個(gè)站點(diǎn)的驗(yàn)證集和測(cè)試集中提出的模型的錯(cuò)誤。表8提供了預(yù)測(cè)值和實(shí)際值的一些統(tǒng)計(jì)指標(biāo)。我們可以清楚地看到，平均值與真實(shí)風(fēng)速系數(shù)的平均值具有很高的相似性。同時(shí)，預(yù)測(cè)值的差異低于真實(shí)方差，表明預(yù)測(cè)系列相對(duì)穩(wěn)定。4.6 模型比較在本節(jié)中，我們比較ARIMA模型，LSSVM模型，LSSVM-PSOSA模型和WT-LSSVM-PSOSA模型，與模型進(jìn)行比較。結(jié)果在表9中基于三個(gè)標(biāo)準(zhǔn)MAE，RMSE和MAPE提供。在下表9中，粗體字表示各種預(yù)測(cè)模型中最小的MAE，RMSE和MAPE值。在該模型比較中，可以清楚地看出，所提出的混合模WPT-LSSVM-PSOSA在所有模型中表現(xiàn)最好，說(shuō)明混合模型可以捕獲單個(gè)模型的特征，捕獲風(fēng)力數(shù)據(jù)系列的特征，并實(shí)現(xiàn)良好的風(fēng)速預(yù)測(cè)性能。從表9可以清楚地看出，與ARIMA，LSSVM，LSSVM-PSOSA和WT-LSSVM-PSOSA模型相比，混合型WPT-LSSVM-PSOSA具有最高的精度。相比之下，ARIMA，LSSVM，LSSVM-PSOSA和WT-3相比，在武威網(wǎng)站1號(hào)中，擬建模型比MAPV下降21.87，24.07，23.21和7.75 LSSVM-PSOSA模型。同時(shí)，總RMSE的下降幅度分別為20.92，19.68，19.65和8.77，而MAE則分別為19.25，20.32，19.01和6.12。對(duì)于其他三個(gè)站點(diǎn)，MAPE，RMSE和MAE的減少明顯列在表10中。以下通過(guò)比較研究進(jìn)一步說(shuō)明。首先，ARIMA和LSSVM單模型在風(fēng)速預(yù)測(cè)中提供有時(shí)不令人滿(mǎn)意的性能。這種現(xiàn)象表明，單一型號(hào)不能包含原風(fēng)力系列的綜合特點(diǎn)。當(dāng)考慮混合模型時(shí)，LSSVM/-PSOSA模型始終超越了LSSVM模型，反映出PSOSA算法是優(yōu)化LSSVM模型中參數(shù)的有效方法。此外，在所有預(yù)測(cè)模型中，提出的混合WPT-LSSVM-PSOSA模型實(shí)現(xiàn)了最佳性能。特別是與LSSVM-PSOSA模型和WT-LSSVM-PSOSA模型相比，我們發(fā)現(xiàn)WPT方法可以有效提高原風(fēng)力系列預(yù)鑄能力。眾所周知，LSSVM模型采用誤差平方和作為經(jīng)驗(yàn)損失函數(shù)，將傳統(tǒng)SVM的不等式約束變?yōu)榈仁郊s束，從而將求解二次規(guī)劃問(wèn)題轉(zhuǎn)化為線(xiàn)性方程的求解問(wèn)題，以更快的速度加快。 WPT-SVM-PSOSA和WPT-LSSVM-PSOSA在不同演化時(shí)間的仿真結(jié)果如表11所示。從表11可以清楚地看出，WPT-SVM-PSOSA的預(yù)測(cè)精度通常較小比不同進(jìn)化時(shí)代的擬議模型更好，但它們之間的差距非常小。此外，隨著演進(jìn)時(shí)間的增加，WPT-LSSVM-PSOSA的預(yù)測(cè)精度幾乎保持不變。WPT-SVM-PSOSA模型也幾乎保持不變。因此，實(shí)際上，PSOSA發(fā)展近20次可以找到SVM和LSSVM的最優(yōu)參數(shù)，不僅可以大大節(jié)省時(shí)間，而且可以達(dá)到與200進(jìn)化時(shí)間模型相同的良好預(yù)測(cè)精度。當(dāng)比較不同進(jìn)化時(shí)間的兩種方法的CPU計(jì)算時(shí)間時(shí)，我們發(fā)現(xiàn)WPT-LSSVM-PSOSA真的是一個(gè)更快的算法。一般來(lái)說(shuō)，隨著子系列（LL2，LH2，HL2）頻率的增加，CPU系統(tǒng)時(shí)間的增加，最低頻率子系列LL2幾乎擁有CPU計(jì)算時(shí)間的最少。觀察高頻序列隨機(jī)波動(dòng)的現(xiàn)象并不奇怪，這提高了所提出的模型的計(jì)算復(fù)雜度?？傮w而言，WPT-LSSVM-PSOSA不僅節(jié)省了很多時(shí)間，而且在較低的演進(jìn)時(shí)間下，WPT-SVM-PSOSA的預(yù)測(cè)精度也較好。所有數(shù)據(jù)集上的不同算法的模擬在使用2.50 GHz Intel Core i5 3210M，64位具有4 GB RAM的Windows 7上運(yùn)行的MATLAB R2012a環(huán)境中進(jìn)行了研究。從表11可以得出結(jié)論，20次演進(jìn)的預(yù)測(cè)結(jié)果與提出的模型相比，發(fā)展了200次，但CPU的計(jì)算時(shí)間大大下降。因此，輕松實(shí)施開(kāi)發(fā)風(fēng)速較低的風(fēng)速預(yù)測(cè)程序，具有較低的演進(jìn)時(shí)間，可以通過(guò)風(fēng)力發(fā)電場(chǎng)中高性能計(jì)算機(jī)的并行計(jì)算節(jié)省更多的計(jì)算時(shí)間。事實(shí)上，與混合動(dòng)力車(chē)型相比，ARIMA和LSSVM等單機(jī)型花費(fèi)的時(shí)間更短。然而，它們的預(yù)測(cè)精度低于混合模型。因此，考慮到整個(gè)電力系統(tǒng)的安全性當(dāng)風(fēng)力發(fā)電與電網(wǎng)連接時(shí)，要花更多的時(shí)間來(lái)做出更準(zhǔn)確的風(fēng)速預(yù)測(cè)是明智的，從而減輕電網(wǎng)崩潰的可能風(fēng)險(xiǎn)。根據(jù)最近的論文，中國(guó)風(fēng)電場(chǎng)風(fēng)速預(yù)報(bào)誤差約為25-40。雖然原風(fēng)電系列的功能是不同的，但是比較者表明，擬議的混合模型在適用于中國(guó)西北地區(qū)的日常風(fēng)速預(yù)報(bào)時(shí)可以有效地執(zhí)行。因此，混合方法為風(fēng)速預(yù)測(cè)應(yīng)用提供了一個(gè)新的可行選擇，因?yàn)樗鼈冊(cè)谠S多情況下表現(xiàn)優(yōu)于單個(gè)預(yù)測(cè)模型。因此，它們應(yīng)該被包括在搜索最佳預(yù)測(cè)模型25中。4.7 灰色關(guān)系分析結(jié)果灰色關(guān)聯(lián)分析用于驗(yàn)證所提出模型的預(yù)測(cè)結(jié)果曲線(xiàn)是否與真實(shí)風(fēng)速系列曲線(xiàn)最相似。表12給出了不同模型預(yù)測(cè)結(jié)果的灰色關(guān)聯(lián)度，粗體值反映了最大的灰色關(guān)聯(lián)度值。在表12中，可以看出，WT-LSSVM-PSOSA和擬議的混合WPT-LSSVM-PSOSA模型生成的預(yù)測(cè)曲線(xiàn)與本文檢驗(yàn)的四個(gè)風(fēng)電場(chǎng)的實(shí)際風(fēng)速曲線(xiàn)具有最大的相似性。然而，提出的模型的灰色關(guān)聯(lián)度是最高的。來(lái)自預(yù)測(cè)系列和原始風(fēng)速系列的樣本如圖7所示。4.8 統(tǒng)計(jì)假設(shè)檢驗(yàn)假設(shè)檢驗(yàn)也稱(chēng)為驗(yàn)證性數(shù)據(jù)分析，與探索性數(shù)據(jù)分析不同。使用頻率概率法，我們幾乎總是根據(jù)零假設(shè)檢驗(yàn)做出我們的決定。假設(shè)檢驗(yàn)的一個(gè)用途是決定實(shí)驗(yàn)結(jié)果是否包含足夠的信息來(lái)使當(dāng)前的信念和結(jié)論無(wú)效。假設(shè)檢驗(yàn)的關(guān)鍵區(qū)域是所有結(jié)果的集合，如果它們發(fā)生，將導(dǎo)致我們決定存在差異，也就是說(shuō)，如果零假設(shè)是假的，并且接受替代方案被拒絕假設(shè)44。在本節(jié)中，我們?cè)敿?xì)介紹了應(yīng)用雙尾假設(shè)檢驗(yàn)來(lái)測(cè)試擬議模型（WPT-LSSVM-PSOSA）的效率的結(jié)果。假設(shè)檢驗(yàn)定義如下：H0：l1l2l3 H1：11-123其中l(wèi)1表示實(shí)際數(shù)據(jù)的平均值