论文部分内容阅读
随着社会经济的快速发展,人类对于能源的需求日益增加。传统能源煤、石油和天然气作为不可再生能源,不但数量有限,而且对环境污染严重。风能作为一种无污染、可再生的能源,成为代替传统化石燃料的重要选择,风力发电因此越来越受人们的重视。风速是风力发电的重要因素,但风能具有间歇性、不稳定性等特点,这些特点将会严重影响风电并网,因此,对风速的变化进行有效预测,设计出更加准确的风速预测模型,对风力发电的发展显得至关重要。最小二乘支持向量机(LSSVM)是一种人工智能方法,具有计算简单、鲁棒性强等优点,对于非线性数据处理效果较好。经验小波变换(EWT)是一种数据预处理方法,能够实现对原始风速数据的降噪处理。针对原始风速数据的高噪声、非线性特性,本文在EWT和LSSVM基础上进行短期风速预测方法研究。提出了基于四参数混合核函数改进的LSSVM的短期风速预测方法。首先,通过EWT对原始风速信号进行分解,并设计自适应阈值函数对各分量进行降噪处理。其次,针对单一核函数LSSVM不能兼顾学习能力和泛化能力的缺陷,设计出具有混合核函数的新模型,以同时保证预测模型的学习能力和泛化能力。最后,由于所提出模型的四个参数(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)对预测结果影响较大且难以人为确定,利用布谷鸟搜索(CS)算法对上述四个参数进行寻优处理,提高了模型的预测精度。风速数据不仅含有非线性,还存在一定的非平稳特性,而LSSVM对于非平稳性信号适应性较差。因此,本文提出了基于四参数混合核函数改进的LSSVM与差分自回归移动平均(ARIMA)的组合预测模型。首先,借助EWT算法将风速数据分解为低频的近似分量和高频的细节分量。针对低频分量,采用本文提出的四参数混合核函数改进的LSSVM模型进行预测处理;针对高频分量,采用对非平稳信号适用性较好的ARIMA模型处理。最后,对各分量预测结果进行重构,得到最终预测结果。该改进模型通过分解信号与分类混合预测,进一步提升了模型的预测精度。针对本文提出的两种风速预测方法,进行了仿真实验,结果表明,基于四参数混合核函数改进的LSSVM模型复杂度较低,适用于实时风速预测,而基于四参数混合核函数改进的LSSVM模型与ARIMA模型的组合预测模型,对预测精度有更大幅度的提升,适用于预测精度要求较高的情况。