基于支持向量机的风速预测系统

论文摘要

在能源危机日益严重的今天,新能源的开发利用受到越来越多的关注。在这些新能源中,风力发电更是得到了广泛应用。然而,风电功率的随机性,给电力系统运营带来了一系列问题,当大规模的风电场并入电网时,更是给电网的安全和稳定带来了极大的负担。为了解决该问题,提出了风电场风速和风电功率预测。其中风速预测为风电功率的间接预测方式。通过对风电场风速的预测,可以降低风电功率的随机性,从而可有效缓解风电场给电力系统造成的不利影响。风速预测近年来有一定发展,但是还存在许多不足之处,仍然具有很大的进步空间。通过考虑多种风速短期预测模型,发现单一的风速预测模型的预测精度提升空间有限,于是根据对支持向量机和组合预测模型的研究,利用它们的算法优点,提出了基于一种改进的支持向量机——最小二乘支持向量机的组合预测模型。利用组合预测模型可综合各单项预测模型的信息,并且最小二乘支持向量机可以简化、优化组合预测模型。该组合模型采用RBF神经网络、BP神经网络和遗传神经网络的风速预测值作为输入,实际风速值作为输出,并建立了线性组合预测模型,且以此为参照来分析基于最小二乘支持向量机的组合预测模型的预测性能。各模型的预测性能,采用预测平均绝对误差、平均相对误差以及误差平方和三个误差指标来比较分析。以江西老爷庙的小时风速数据作为研究样本,运用MATLAB进行仿真,利用各模型对风速进行短期预测,证明了基于最小二乘支持向量机的风速组合预测模型的有效性。仿真试验表明,组合预测模型可进一步提升风速预测精度,而且相较于传统线性组合预测模型,基于最小二乘支持向量机的组合预测模型具有比较大的精度优势。最后建立了基于MATLAB/GUI的风速预测系统,以便风速预测的进一步研究,通过该系统可以方便的调整参数、预测时段、模型类型,简化了复杂的调试过程,结果证明该系统相较于原始程序实现具有明显的优势,验证了风速预测系统的可行性。

论文目录

• 摘要
• Abstract
• 插图索引
• 附表索引
• 第1章 绪论
• 1.1 课题研究背景和意义
• 1.2 国内外研究现状
• 1.3 论文主要工作
• 第2章 风速特性
• 2.1 风电场风速特性分析
• 2.1.1 风与风速
• 2.1.2 风速分布
• 2.2 风力发电
• 2.3 本章小结
• 第3章 基于最小二乘支持向量机的风速预测原理
• 3.1 统计学基础
• 3.1.1 基于数据的机器学习
• 3.1.2 VC 维理论
• 3.1.3 结构风险最小化原理
• 3.2 支持向量机基本原理
• 3.2.1 支持向量回归机
• 3.2.2 线性支持向量回归机
• 3.2.3 非线性支持向量机回归
• 3.2.4 核函数
• 3.3 最小二乘支持向量机
• 3.3.1 支持向量机的改进
• 3.3.2 最小二乘支持向量机
• 3.3.3 支持向量机模型选择
• 3.4 本章小结
• 第4章 风速组合预测
• 4.1 组合预测模型概述
• 4.1.1 组合预测的提出
• 4.1.2 等权平均组合预测
• 4.1.3 不等权组合预测
• 4.1.4 最优加权组合预测
• 4.2 组合预测模型建立
• 4.2.1 风速预测数据样本选取
• 4.2.2 风速预测模型构建
• 4.3 风速预测实例分析
• 4.4 本章小结
• 第5章 风速预测系统开发
• 5.1 MATLAB/GUI 简介
• 5.2 风速预测系统
• 5.3 本章小结
• 结论与展望
• 参考文献
• 致谢
• 附录A 攻读硕士学位论文期间发表的学位论文
• 附录B 攻读学位期间参加的科研项目