本發(fā)明涉及一種短期風(fēng)速組合預(yù)測方法，尤其是涉及一種風(fēng)電場短期風(fēng)速組合預(yù)測方法。

背景技術(shù)：
風(fēng)能作為一種綠色能源日益受到世界各國的重視并得到迅猛發(fā)展。然而風(fēng)能固有的間歇性和波動性等特點卻給電力系統(tǒng)帶來了諸多挑戰(zhàn)，如果能對風(fēng)電場風(fēng)速進(jìn)行有效預(yù)測，則有利于調(diào)度部門及時調(diào)整調(diào)度計劃，減少電力系統(tǒng)旋轉(zhuǎn)備用和運行成本，減輕風(fēng)電對電網(wǎng)的影響，為風(fēng)電場參與發(fā)電競價奠定基礎(chǔ)，具有重大的經(jīng)濟(jì)和工程應(yīng)用價值。目前國內(nèi)外對風(fēng)速預(yù)測進(jìn)行了大量研究，建立的預(yù)測模型主要包括：時間序列模型、人工神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型和最小二乘支持向量機(jī)模型等。其中最小二乘支持向量機(jī)采用二次規(guī)劃方法將傳統(tǒng)支持向量機(jī)中的不等式約束變?yōu)榈仁郊s束，提高了收斂精度，具有較好的非線性擬合能力。然而風(fēng)速本身具有典型的非線性和非平穩(wěn)性特征。如果只使用最小二乘支持向量機(jī)建立預(yù)測模型，雖然能對風(fēng)速的非線性部分進(jìn)行較好的擬合，但是風(fēng)速的非平穩(wěn)性卻會在一定程度上影響預(yù)測結(jié)果。為了進(jìn)一步提高預(yù)測精度，需有效降低風(fēng)速序列信號的非平穩(wěn)性。目前應(yīng)用于降低風(fēng)速信號非平穩(wěn)性的方法主要有小波分解（waveletdecomposition，WD）和經(jīng)驗?zāi)B(tài)分解（empiricalmodedecomposition，EMD）。WD需人為設(shè)置小波函數(shù)，EMD則容易引起模態(tài)混疊現(xiàn)象。聚類經(jīng)驗?zāi)B(tài)分解（ensembleempiricalmodedecomposition，EEMD）以噪聲輔助信號處理為基礎(chǔ)，通過加入小幅度白噪聲來均衡信號，有效解決了經(jīng)驗?zāi)B(tài)分解的模態(tài)混疊現(xiàn)象，是對傳統(tǒng)經(jīng)驗?zāi)B(tài)分解的巨大改進(jìn)，同時其自適應(yīng)的信號處理特點減少了人為因素對分解結(jié)果的影響。在對風(fēng)速進(jìn)行聚類經(jīng)驗?zāi)B(tài)分解后，需要進(jìn)一步對各分量特征進(jìn)行挖掘。以避免學(xué)習(xí)樣本信息丟失和預(yù)測模型維數(shù)選取的隨意性等問題。傳統(tǒng)的序列特性挖掘方法主要有相空間重構(gòu)法（phasespacereconstruction，PSR）和Box-jenkins法。相空間重構(gòu)可有效挖掘風(fēng)速序列的非線性動力學(xué)特性，Box-jenkins法可有效挖掘風(fēng)速隨機(jī)性特征。這兩種方法的優(yōu)點是能為模型提供較高質(zhì)量的學(xué)習(xí)樣本，缺點是雖然為預(yù)測模型提供了高質(zhì)量的學(xué)習(xí)樣本，然而模型對樣本的學(xué)習(xí)效果卻不知道，這在一定程度上會增大預(yù)測風(fēng)險。針對這個缺點，本發(fā)明專利基于預(yù)測模型學(xué)習(xí)效果反饋機(jī)制來優(yōu)化模型學(xué)習(xí)樣本。從研究風(fēng)速序列的特性出發(fā)，本發(fā)明提出了一種基于聚類經(jīng)驗?zāi)B(tài)分解（EEMD）和最小二乘支持向量機(jī)（LSSVM）的風(fēng)電場風(fēng)速組合預(yù)測模型。首先使用聚類經(jīng)驗?zāi)B(tài)分解將風(fēng)速信號中真實存在的不同尺度趨勢或波動逐級分解出來，然后對分解得到的子序列分別構(gòu)建最小二乘支持向量機(jī)預(yù)測模型，并基于自適應(yīng)擾動粒子群算法和學(xué)習(xí)效果反饋機(jī)制綜合優(yōu)化預(yù)測模型。最后將各子序列預(yù)測結(jié)果疊加得到風(fēng)速預(yù)測值。

技術(shù)實現(xiàn)要素：
本發(fā)明的上述技術(shù)問題主要是通過下述技術(shù)方案得以解決的：一種風(fēng)電場短期風(fēng)速組合預(yù)測方法，其特征在于：包括以下步驟：步驟1、從風(fēng)電場數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)中進(jìn)行數(shù)據(jù)提取并記錄，并保存歷史風(fēng)速序列數(shù)據(jù)；步驟2、對步驟1中所提取的風(fēng)速序列進(jìn)行聚類經(jīng)驗?zāi)B(tài)分解，得到兩個以上的子序列和一個余量；步驟3、對步驟2中聚類經(jīng)驗?zāi)B(tài)分解得到的各子序列分別建立最小二乘支持向量機(jī)模型，采用自適應(yīng)擾動粒子群算法和學(xué)習(xí)效果反饋對影響最小二乘支持向量機(jī)模型預(yù)測效果的三個參數(shù)進(jìn)行綜合選取，該影響最小二乘支持向量機(jī)預(yù)測效果的三個參數(shù)分別是模型輸入維數(shù)和兩個超參數(shù)；步驟4、對各子序列根據(jù)最小二乘支持向量機(jī)的學(xué)習(xí)效果選用最優(yōu)參數(shù)進(jìn)行預(yù)測，并將各子序列的預(yù)測結(jié)果進(jìn)行疊加，得到風(fēng)速預(yù)測結(jié)果；本發(fā)明創(chuàng)造性的提出一種直接考慮相關(guān)歷史風(fēng)速數(shù)據(jù)與未來風(fēng)速預(yù)測值的關(guān)系、建模方法簡單的風(fēng)電場短期風(fēng)速組合預(yù)測方法，是一種基于聚類經(jīng)驗?zāi)B(tài)分解和最小二乘支持向量機(jī)的新型風(fēng)電場風(fēng)速組合預(yù)測模型。首先使用聚類經(jīng)驗?zāi)B(tài)分解降低風(fēng)速信號的非平穩(wěn)性，其次對聚類經(jīng)驗?zāi)B(tài)分解得到的各子序列分別建立最小二乘支持向量機(jī)模型，并采用自適應(yīng)擾動粒子群算法和學(xué)習(xí)效果反饋對影響最小二乘支持向量機(jī)預(yù)測效果的三個參數(shù)（模型輸入維數(shù)和兩個超參數(shù)）進(jìn)行綜合選?。蝗缓蟾鶕?jù)最小二乘支持向量機(jī)學(xué)習(xí)效果選用最優(yōu)參數(shù)進(jìn)行預(yù)測，并疊加各子序列的預(yù)測結(jié)果，得到風(fēng)速預(yù)測結(jié)果；最后對風(fēng)速預(yù)測結(jié)果進(jìn)行誤差分析。本發(fā)明所提的組合預(yù)測模型具有較高的預(yù)測精度和較大的工程應(yīng)用潛力。在上述的一種短期風(fēng)速組合預(yù)測方法，所述步驟2中，對采集的風(fēng)速序列進(jìn)行聚類經(jīng)驗?zāi)B(tài)分解包括以下三個步驟：步驟2.1、向風(fēng)速序列中加入白噪聲序列；加入的白噪音信號服從(0，(αε)2)的正態(tài)分布，其中ε為信號的標(biāo)準(zhǔn)差，α為噪音的強(qiáng)度參數(shù)；然后使用經(jīng)驗?zāi)B(tài)分解將加入白噪聲的風(fēng)速序列分解為若干個子序列和一個余量；步驟2.2、重復(fù)步驟1共n次，每次隨機(jī)加入服從(0，(αε)2)的正態(tài)分布的白噪聲序列，其中ε為信號序列的標(biāo)準(zhǔn)差，α為序列的強(qiáng)度參數(shù)；應(yīng)當(dāng)注意的是，隨機(jī)加入的白噪聲只需要符合正態(tài)分布，但是每次加入的白噪聲不能相同；步驟2.3、將n次分解得到的若干個子序列分別求整體平均，得到原信號的若干個最終子序列。在上述的一種短期風(fēng)速組合預(yù)測方法，所述步驟2中，所述步驟3中，采用自適應(yīng)擾動粒子群算法和模型學(xué)習(xí)效果反饋優(yōu)化最小二乘支持向量機(jī)的具體步驟如下：基于定義：風(fēng)速做為一組隨機(jī)序列，下一時刻的風(fēng)速與之前m個序列相關(guān)，即對于t時刻風(fēng)速x(t)，與之前m個時刻的風(fēng)速有關(guān)，即存在這樣的關(guān)系：x(t)＝f(x(t-1)，x(t-2)，…，x(t-m))，定義3≤m≤12，即下一時刻的風(fēng)速與之前3到12個時刻的風(fēng)速序列數(shù)據(jù)有關(guān)，則綜合選取過程如下：步驟3.1、初始化參數(shù)并設(shè)定最大迭代次數(shù)，包括粒子群算法的參數(shù)和初始化輸入維數(shù)3，初始化的粒子群參數(shù)包括：種群規(guī)模m，維數(shù)D，權(quán)重系數(shù)wmax和wmin，加速常數(shù)c1和c2，最大進(jìn)化代數(shù)Tmax以及適應(yīng)度方差閥值；步驟3.2、基于自適應(yīng)擾動粒子群算法優(yōu)化最小二乘支持向量機(jī)模型；步驟3.3、對優(yōu)化后的模型，以訓(xùn)練數(shù)據(jù)均方差為標(biāo)準(zhǔn)檢驗?zāi)Ｐ蛯W(xué)習(xí)效果；步驟3.4、判斷是否結(jié)束，即是否達(dá)到最大迭代次數(shù)，是，比較并輸出最佳學(xué)習(xí)效果情況下的維數(shù)及LSSVM超參數(shù)；否，維數(shù)加1并轉(zhuǎn)到步驟3.2；步驟3.5、以學(xué)習(xí)效果最佳情況下的輸入維數(shù)和LSSVM超參數(shù)建模進(jìn)行風(fēng)速預(yù)測，并進(jìn)行誤差分析。在上述的一種短期風(fēng)速組合預(yù)測方法，所述步驟2.1中，經(jīng)驗?zāi)B(tài)分解的步驟如下：步驟2.1.1、求得風(fēng)速時間序列{X(t)}中所有的極大值和極小值，采用三次樣條函數(shù)進(jìn)行插值擬合上包絡(luò)線bmax(t)和下包絡(luò)線bmin(t)；步驟2.1.2、計算上下包絡(luò)線平均值m(t)，其中m(t)＝[bmax(t)+bmin(t)]/2，提取h(t)＝X(t)-m(t)，判斷h(t)是否滿足如下兩個固有模態(tài)分量條件：滿足條件一，整個固有模態(tài)分量序列中的零點數(shù)與極點數(shù)至多相差1個;滿足條件二，在任意點，由局部極小值點定義的包絡(luò)線和局部極大值點定義的包絡(luò)線均值為0；如果滿足，則h(t)就是第一個固有模態(tài)分量；步驟2.21、如果不滿足步驟2.1.2中的兩個條件，則將h(t)作為原始序列重復(fù)步驟2.1.1和步驟2.1.2，直到經(jīng)過n次篩選后的差值hn(t)滿足固有模態(tài)分量條件，稱為一個IMF，記為c1(t)＝hn(t)；步驟2.1.4、得到c1(t)后，根據(jù)式一從信號X(t)中得到剩余分量r1(t)；r1(t)＝X(t)-c1(t)式一；步驟2.1.5、將r1(t)重復(fù)上述步驟2.1.1-2.1.5得到其余的IMF分量，當(dāng)余量rn(t)為單調(diào)函數(shù)時終止。在上述的一種短期風(fēng)速組合預(yù)測方法，所述步驟3.2中，自適應(yīng)擾動粒子群算法優(yōu)化最小二乘支持向量機(jī)超參數(shù)具體步驟如下：步驟3.2.1、對風(fēng)速序列進(jìn)行歸一化整理；采用最大最小法對模型學(xué)習(xí)樣本和測試樣本進(jìn)行歸一化處理：式二；式二中：是序列{X(t)}中某一變量數(shù)據(jù)x(t)歸一化后數(shù)據(jù)，xmin為序列{X(t)}中該變量最小值，xmax為{X(t)}中該變量最大值；步驟3.2.2、粒子群參數(shù)設(shè)置及種群初始化：設(shè)定的參數(shù)包括種群規(guī)模m=30，維數(shù)D，慣性權(quán)重wmax和wmin，加速常數(shù)c1和c2，最大進(jìn)化代數(shù)Tmax，適應(yīng)度方差閥值β；步驟3.2.3、以均方差作為適應(yīng)度函數(shù)，評價粒子適應(yīng)度值并記錄全局極值和個體極值，均方差表達(dá)式如式三所示，第i個粒子當(dāng)前點設(shè)為最優(yōu)位置pid，所有粒子中最優(yōu)者設(shè)為種群最優(yōu)位置pgd；式三；式中：為擬合值，yi為實際值，p為樣本數(shù)；步驟3.2.4、計算種群的適應(yīng)度方差σ2，如果σ2＜β則判斷出現(xiàn)早熟，轉(zhuǎn)步驟3.2.5；否則，轉(zhuǎn)步驟3.2.6；步驟3.2.5、對粒子位置進(jìn)行擾動；步驟3.2.6、更新各個粒子的速度和位置，得到新種群；步驟3.2.7、計算新種群各粒子適應(yīng)度值，并與其歷史最優(yōu)位置和種群的歷史最優(yōu)位置作比較，若更優(yōu)，則替換，否則，保持不變；步驟3.2.8、檢查是否滿足尋優(yōu)結(jié)束條件，即是否達(dá)到Tmax，是，則輸出最優(yōu)解；否，則轉(zhuǎn)步驟3.2.3。因此，本發(fā)明具有如下優(yōu)點：1.本發(fā)明直接考慮相關(guān)歷史數(shù)據(jù)與為來風(fēng)速的關(guān)系，建模方法簡單易行；2.本發(fā)明適應(yīng)性強(qiáng)，可作為一般風(fēng)電場的風(fēng)速預(yù)測模型；3.本發(fā)明的實現(xiàn)成本低，易推廣。附圖說明圖1是本發(fā)明步驟中涉及的模型學(xué)習(xí)效果反饋流程示意圖。圖2是本發(fā)明步驟中涉及的自適應(yīng)擾動粒子群算法優(yōu)化最小二乘支持向量機(jī)流程示意圖。圖3為本發(fā)明的整體建模流程示意圖。具體實施方式下面通過實施例，并結(jié)合附圖，對本發(fā)明的技術(shù)方案作進(jìn)一步具體的說明。實施例：首先，介紹一下本發(fā)明涉及到的相關(guān)理論基礎(chǔ)。1.聚類經(jīng)驗?zāi)B(tài)分解原理。經(jīng)驗?zāi)B(tài)分解可以將非平穩(wěn)信號按不同尺度的波動或趨勢逐級分解成若干個本征模態(tài)分量IMF，每個IMF須滿足以下兩個條件：（1）信號的零點數(shù)和極值數(shù)最多相差1個；（2）均值趨近于0。對于風(fēng)速序列{X(t)}，經(jīng)驗?zāi)B(tài)分解步驟如下：1）確定序列{X(t)}中所有的極大極小值。采用三次樣條函數(shù)擬合上下包絡(luò)線，并計算上下包絡(luò)線平均值m1，求出原始信號序列與包絡(luò)線平均值m1的差值h1。2）判斷h1是否滿足IMF條件，滿足則h1就是求的第一個IMF分量，不滿足則將h1作為原始序列重復(fù)步驟1），直到經(jīng)過k次篩選后的差值h1k(t)滿足IMF條件，稱為一個IMF，記為c1(t)＝h1k(t)。3）從原始信號中分離出c1(t)，得到剩余分量r1(t)：r1(t)＝X(t)-c1(t)（Ａ1）4）將r1(t)作為新的原始序列，重復(fù)上述步驟可得到其余的N-1個IMF分量和1個余量，當(dāng)余量rN(t)為單調(diào)函數(shù)時終止，經(jīng)過EMD分解的原始信號可以表示如下：式（Ａ2）中，cn(t)為IMF分量，rN(t)是余量。經(jīng)驗?zāi)B(tài)分解易出現(xiàn)模態(tài)混疊現(xiàn)象，造成IMF物理意義上的缺失。聚類經(jīng)驗?zāi)B(tài)分解可以有效的利用噪聲特性來消減模態(tài)混疊現(xiàn)象。EEMD的信號分解步驟如下：1）向目標(biāo)序列中加入白噪聲序列；加入的白噪音信號應(yīng)服從(0，(αε)2)的正態(tài)分布，其中ε為信號的標(biāo)準(zhǔn)差，α為噪音的強(qiáng)度參數(shù)。然后使用EMD將加入白噪聲的序列分解為若干個IMF和一個剩余分量；2）重復(fù)步驟1共n次，每次加入的白噪聲序列不同；3）將n次分解得到的本征模函數(shù)分量均值作為最終的結(jié)果。2.最小二乘支持向量機(jī)預(yù)測模型。2.1最小二乘支持向量機(jī)回歸預(yù)測原理。最小二乘支持向量機(jī)是支持向量機(jī)的改進(jìn)和擴(kuò)展，LSSVM以最小二乘線性系統(tǒng)作為損失函數(shù)，使用等式約束代替常規(guī)SVM的不等式約束，將二次轉(zhuǎn)化問題轉(zhuǎn)化為線性方程組的求解問題。其回歸預(yù)測原理如下：對于樣本集(xi，yi)，i＝1，2，…，l，x∈Rl，y∈R。其中xi為第i個輸入向量，yi為第i個輸出，非線性映射φ(·)將樣本映射到特征空間中，則LSSVM的回歸模型可以表示為：f(x)＝HT·φ(x)+n（Ａ3）其中，H和n為需要確定的參數(shù)，確定H和n等價于下面目標(biāo)函數(shù)最小化：式中，G1為損失函數(shù)，c為調(diào)節(jié)因子。此時最優(yōu)問題可表示如下：相應(yīng)的Lagrange函數(shù)為：其中，αi≥0為Lagrange乘子，ei為誤差。根據(jù)Karush-Kuhn-Tucker（KKT）條件：即可得到下式：消去H和ei后，得到式（Ａ8），最終得到回歸函數(shù)為：式中，K(x，xi)＝φ(x)Tφ(xi)為一個滿足Mercer條件的核函數(shù)。核函數(shù)的選擇會影響到模型性能。所以在LSSVM預(yù)測模型建立過程中，選擇合適核函數(shù)是最重要的工作之一。2.2核函數(shù)的選擇最小二乘支持向量機(jī)常用的核函數(shù)有線性函數(shù)、多項式核函數(shù)、感知器函數(shù)和徑向基函數(shù)等。徑向基函數(shù)具有較寬收斂域和較強(qiáng)泛化能力，是較為理想的回歸核函數(shù)，所以本文選擇徑向基函數(shù)作為LSSVM核函數(shù)，徑向基函數(shù)表達(dá)式為：K(xi，xj)＝exp(-||xi-xj||2/(2σ2))（Ａ10）式（Ａ10）中σ為核寬度。在基于徑向基核函數(shù)的LSSVM的回歸模型中，調(diào)節(jié)因子c和核參數(shù)σ2是影響LSSVM回歸性能的兩個超參數(shù)。為提高模型的預(yù)測精度，避免人為選擇參數(shù)盲目性，需要對模型參數(shù)（超參數(shù)和輸入維數(shù)）進(jìn)行優(yōu)化。3自適應(yīng)擾動粒子群算法3.1粒子群算法粒子群算法是一種通過跟蹤兩個極值來迭代更新自己的位置的智能算法，這兩個極值一個是粒子個體極值(用pid表示)，另一個是種群極值(用pgd表示)。第i個微粒在D維搜索空間中第t步搜索時的速度表示為Vti=(vi1，vi2，...，viD)T，位置表示為Xti=(xi1，xi2，...，xiD)T。粒子根據(jù)式(Ａ11)和式(Ａ12)來更新自己的速度和位置。vt+1id＝wtvtid+c1r1(pid-xtid)+c2r2(pgd-xtid)（Ａ11）xt+1id＝xtid+vt+1id（Ａ12）式中：wt稱為慣性權(quán)重，c1、c2是學(xué)習(xí)因子。r1和r2為（0，1）之間均勻分布的隨機(jī)數(shù)，慣性權(quán)值系數(shù)wt影響算法搜索性能。本專利運用混沌慣性權(quán)值對wt進(jìn)行修正，wt可表示為：wt＝wmin+(wmax-wmin)z(t)（Ａ13）其中，z(t)＝μz(t-1)(1-z(t-1))，式（Ａ13）中，μ＝4，z(1)＝0.8。其中wmax為wt最大值，wmin為wt最小值。本專利稱上述算法為基本粒子群算法。3.2自適應(yīng)擾動粒子群算法粒子群算法經(jīng)慣性權(quán)重改進(jìn)可取得相對較好效果，然而卻無法避免其自身的早熟收斂問題。在整個迭代過程中，粒子群中的粒子朝種群極值方向靠近，若遇到局部極值點，粒子速度便很快下降為零而停止運動，導(dǎo)致算法過早收斂而陷入局部極值。而粒子位置決定著粒子的適應(yīng)度大小，因此，根據(jù)種群中所有粒子適應(yīng)度方差[18]可判斷出種群是否陷入了早熟。設(shè)第i個粒子當(dāng)前的適應(yīng)度為fi，種群當(dāng)前的平均適應(yīng)度為定義種群的適應(yīng)度方差σ2為：其中，q為種群粒子數(shù)目，f為歸一化定標(biāo)因子，用來限制σ2的大小，取值采用如下公式：隨著迭代次數(shù)的增加，種群中粒子會越來越接近，σ2就會越來越小。當(dāng)σ2＜β(β為給定閾值)時，種群會陷入局部最優(yōu)。此時需對粒子施加一定的擾動，使粒子獲得新的搜索位置，從而一步步跳出局部最優(yōu)，判斷陷入局部最優(yōu)的粒子位置更新公式修正為：xt+1id＝xtid-χvt+1id（Ａ16）其中χ為擾動因子，?。?，1）之間的隨機(jī)數(shù)。本專利稱為自適應(yīng)擾動粒子群算法。下面是本發(fā)明的具體實施例的建模過程。本發(fā)明的建模整體流程圖如附圖3所示。具體步驟如下：步驟1、從風(fēng)電場數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)中進(jìn)行數(shù)據(jù)提取并記錄，并保存歷史風(fēng)速序列數(shù)據(jù)；步驟2、對步驟1中所提取的風(fēng)速序列進(jìn)行聚類經(jīng)驗?zāi)B(tài)分解，得到兩個以上的子序列和一個余量；步驟3、對步驟2中聚類經(jīng)驗?zāi)B(tài)分解得到的各子序列分別建立最小二乘支持向量機(jī)模型，采用自適應(yīng)擾動粒子群算法和學(xué)習(xí)效果反饋對影響最小二乘支持向量機(jī)模型預(yù)測效果的三個參數(shù)進(jìn)行綜合選取，該影響最小二乘支持向量機(jī)預(yù)測效果的三個參數(shù)分別是模型輸入維數(shù)和兩個超參數(shù)；步驟4、對各子序列根據(jù)最小二乘支持向量機(jī)的學(xué)習(xí)效果選用最優(yōu)參數(shù)進(jìn)行預(yù)測，并將各子序列的預(yù)測結(jié)果進(jìn)行疊加，得到風(fēng)速預(yù)測結(jié)果。本文中所描述的具體實施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員可以對所描述的具體實施例做各種各樣的修改或補充或采用類似的方式替代，但并不會偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。