【摘要】：準確的風速預測是風力發(fā)電功率預測的重要基礎。為了進一步提高風速預測精度,文章提出一種基于k-means聚類的支持向量回歸機(SVR)的短期風速組合預測新方法。首先分析影響風速變化的因素,計算不同風速屬性相對于風速序列的皮爾遜相關系數(shù)(PCC)值,并對其進行加權;然后采用k-means聚類方法對風速樣本進行聚類;再利用SVR針對每組樣本建模;最后結合實際風電場進行仿真,結果表明,該方法具有較高的準確性和可行性。
【圖文】：

Vo=[vo1，…，vok，…，von]（3）ρi=nk=1Σ（vik-vi）（vok-vo）nk=1Σ（vik-vi）2nk=1Σ（vok-vo）2姨（4）式中：vi為第i個變量序列的均值；vok為在第k時刻的風速值；vo為風速時間序列的均值；n為樣本個數(shù)。根據(jù)PCC值可計算各輸入屬性的權值σi。σi=ρimi=1Σρi（5）2k-means聚類本文選用2006年美國風能數(shù)據(jù)中心的實測數(shù)據(jù)為訓練樣本，采用k-means聚類算法將風速屬性樣本進行分類[16]，以提高風速預測的精度，流程圖如圖1所示。采用交叉驗證法確定聚類數(shù)k，基于上述步驟將風速屬性樣本分為k組，再針對每組分別構建風速預測模型。3構建SVR風速組合預測模型3.1SVRVapnik在1995年首次提出支持向量機（SVM），通過將核函數(shù)映射到高維空間解決了線性不可分的問題[9]。在此基礎上，Vapnik引入了ε不敏感損失函數(shù)，得到了支持向量回歸機（supportvectormachineforregression，SVR），并將其用于回歸預測。SVR應用于回歸擬合分析，其基本思想是尋找一個最優(yōu)分類面使所有訓練樣本離該最優(yōu)分類面的誤差最小[17]。設給定訓練集樣本對為{（xi，yi），i=1，2，…，p}，其中，xi（xi∈Rd）是第i個訓練樣本的輸入向量，xi=[xi1，xi2，，…，xid]T，yi∈R為對應的輸出值。設在高維特征空間中建立的線性回歸函數(shù)為f（x）=wφ（x）+b（6）式中：φ（x）為非線性映射函數(shù)；w和b為函數(shù)系數(shù)。引入ε，則線性不敏感損失函數(shù)為L[f（x），y，ε]=0，y-f（x）≤εy-f（x）-ε，y-f（x）＞ε（7）式中：ε為不敏感損失參數(shù)；f（x）為預測值；y為對應的真實值�？紤]到存在不滿足

≤≤≤≤≤≤≤≤≤≤≤≤≤≤≤≤≤≤≤≤≤式中：Nnsv為支持向量個數(shù)�？傻玫交赟VR風速預測的擬合回歸模型：f（x）=w*φ（x）+b*=li=1Σ（αi-αi*）φ（xi）φ（x）+b*=li=1Σ（αi-αi*）K（xi,xj）+b*（14）其中，只有部分參數(shù)（αi-αi*）不為零，其對應的樣本xi即為支持向量。3.2構建風速組合預測模型由于風速影響屬性因素眾多，對風速屬性樣本集合進行聚類分析，可構建風速組合預測模型，如圖2所示。將預測風速值進行反歸一處理：yi′=yi（max{xj}-min{xj}）+min{xj}j=1，2，…，*N（15）式中：yi為第i個時刻的預測數(shù)據(jù)；yi′為第i個時刻反歸一化后的預測數(shù)據(jù)；N為預測樣本個數(shù)。為了驗證預測風速的準確性，本文選用平均絕對百分比誤差（eMAPE）和均方根誤差（eRMSE）作為評價指標。（13）圖2風速預測流程圖Fig.2Theflowchartofwindspeedforecasting規(guī)范化和歸一化預處理原始數(shù)據(jù)屬性加權訓練數(shù)據(jù)集SVR模型待預測數(shù)據(jù)數(shù)據(jù)類別判斷k-mesns聚類聚類1聚類k風速預測值SVR1SVRk……·1680·可再生能源2017，35（11）

【相似文獻】

相關期刊論文 前1條

1 楊帆;馮翔;阮羚;陳俊武;夏榮;陳昱龍;金志輝;;基于皮爾遜相關系數(shù)法的水樹枝與超低頻介損的相關性研究[J];高壓電器;2014年06期

本文編號：2581324