基于EMD与SVM的短期风速预测研究

2012年9月第26期
科技视界
Science &Technology Vision
0引言
风能是一种可再生、洁净能源并已经得到了各国的高度重视,风力发电已经成为可再生能源中发展最快和最为成熟的一种。

评估风电场的风能资源状况、进行风速预测是开发风力发电项目最基础的工作之一[1-3]。

风速预测方法目前主要有持续预测法[4]、卡尔曼滤波法[5]、
随机时间序列法、人工神经网络法、模糊逻辑法[6]、空间相关法[7]、支持向量机(support vector machines,SVM)等。

单独使用这些方法对风电场短期风速预测的绝对平均误差一般在20%-40%左右。

由于风速受多种因素影响,风速信号表现为一典型的非平稳时间序列,单一的预测方法难以取得满意的效果。

因此,本文提出建立复合预测模型,将经验模式分解法(empirical mode decomposition,EMD)与支持向量机相结合进行建模预测。

1建模原理和方法
1.1
支持向量机原理
支持向量机是基于统计学习理论发展起来的一种新的机器学习方法,其最大特点是改变了传统的经验风险最小化原则,具有很好的泛化能力。

另外,支持向量机在处理非线性问题时,首先将非线性问题转化为高维空间中的线性问题,然后用一个核函数代替高维空间中的内积运算,从而巧妙地解决了复杂计算问题,并且有效地克服了维数灾难以及局部极小问题[8]。

支持向量机用来解决预测问题的思想为:给定l 个样本
数据{x k ,y k },其中x k ∈R n 为n 维向量,y k ∈R 为相对应的输出变量,寻找一个函数f (x ),以便使用f (x )来推断任意的x 所对应的y 值。

1.2
经验模式分解法
经验模式分解法是Huang [9]1998提出的一种新的信号处基于EMD 与SVM 的短期风速预测研究
陈
冉1,2
(1.华北电力大学
河北
保定
071000;2.神华河北国华沧东发电有限责任公司
河北
沧州
061113)
【摘要】风能作为一种重要的可再生能源,其开发利用得到各国高度重视。

准确预测风速对于接入大量风电的电力系统意义重大。

为了提高风速的预测精度,本文提出建立基于经验模式分解(EMD )与支持向量机(SVM )的复合预测模型。

该模型首先将风速时间序列进行经验模式分解,然后对不同频带的分量分别建立支持向量机预测模型,再将各个模型的预测值等权求和得到最终的风速预测值。

本文采用某风场实测数据进行建模,预测后40min 风速,算例表明,该模型能有效提高风速预测的精度。

【关键词】风速;预测;SVM ;EMD
The Study on Short Time Forecast of Wind Speed Based on EMD and SVM
CHEN Ran 1,2
(1.North China Electric Power University,Baoding Hebei,071000,China,2.Shenhua Hebei Cangdong Power Co.,Ltd.,Cangzhou Hebei,061113,China)
【Abstract 】As an important renewable energy,wind energy is paid great attention by all countries.It is of great significance to predict wind speed accurately for the power system which includes large amounts of wind power.In order to improve the accuracy of wind speed prediction,the paper proposed a model based on empirical mode decomposition (EMD)and support vector machines (SVM).The wind speed time series is made EMD at first,then establish appropriate support vector machine model by different fre⁃
quency bands,finally sum the output value of each model equal right to get the final result.In this paper,a model was built with real
date from wind farm to predict wind speed before 40min.The examples show that the model can effectively improve the accuracy of
wind speed forecasting.
【Key words 】Wind speed;Forecasting;SVM;EMD
作者简介:陈冉(1983—),男,河北沧州人,大学本科,助理工程师,在职研究生在读,研究方向为工业工程。

科教前哨
. All Rights Reserved.
理方法。

从本质上讲,经验模式分解法是对时间序列进行平稳化处理。

经验模式分解的过程主要如下:
(1)找到待分解信号的全部极值点(包括极大值和极小值点),利用三次样条函数分别对极大值点和极小值点进行拟合,从而找到信号的上下包络线,计算出两包络线的均值,进而求出待分解信号和均值的差值h;
(2)判断h是否满足本征模式函数(intrinsic modefunction, IMF)的要求,若满足则令h为原信号的第1个IMF,并求出原信号与该IMF的差值r;若不满足则重复上述过程若干次,直到新的h满足IMF的条件;
(3)将x作为待分解信号,重复以上过程,直到剩余信号满足预先给定的终止准则(如分解得到的剩余信号r n足够小或成为一个单调函数),则终止整个分解过程。

详细分解过程可参见文献[5]。

2预测模型的建立
本文将SVM与EMD相结合,建立复合预测模型进行风速预测。

即对训练数据的风速时间序列先进行EMD分解,然后对各分量进行归一化,用归一化后的各个频带分量分别建立相应的SVM预测模型,对测试数据也进行EMD分解(对于只有一个时间节点的预测,选取训练数据的最后10个数据和预测数据生成序列进行分解),将分解后的各分量分别代入相应的预测模型,各模型预测值等权叠加即是最终的预测值。

由于训练数据时间序列和测试数据时间序列EMD分解的频带分量个数可能不相等,本文对分节后的频带分量进行了傅立叶变换,通过傅立叶变换我们发现分解频带分量个数较少的序列的各频带分量的幅频特性和频带分量个数较多的频带分量的低频分量更相似,并且考虑到分量频率越高前后关联性越低,所以在测试时若频带分量个数和模型个数不等则舍弃高频分量(或高频分量对应的预测模型)。

具体步骤为:
(1)对训练数据的风速时间序列进行经验模式分解,将非平稳时间序列分解为不同频带的高频和低频时间序列。

(2)对各频带分量分别进行归一化。

(3)选用径向基核函数,利用交叉验证和网格搜索法建立相应的低频和高频时间序列的SVM预测模型。

(4)将测试数据进行EMD分解,并将分解后的频带分量代入不同频带预测模型中,得到的预测值等权求和即可得到最终的预测结果。

3算例分析
本文采用Matlab7.8调用libsvm工具箱编写基于EMD 分解和SVM的风速预测程序,选用某风场2011年的监测数据,进行了实验,下面介绍其中的两组。

这两组实验都选择最近7天数据(共504点)进行训练,对训练数据进行EMD分解后,选择径向基函数作为SVM模型的核函数,采用交叉验证法和网格搜索法确定模型参数。

实验1对5月19日17:40到22日6:40共180个点进行提前40min预测,训练数据选用5月12日17:40到19日17:40共504点,依据EMD分解算法对训练数据的风速信号进行分解,分解的结果所示,共有6组IMF分量和1组剩余分量。

对测试数据的输入风速信号进行EMD分解的结果所示,共分解出4组IMF分量和1组剩余分量,分量个数小于训练数据分解的频带分量个数,故选择训练数据的第3-6组IMF分量和剩余分量建立的预测模型进行预测。

经计算,SVM模型的平均绝对百分比误差为17.19%,均方根误差为25.68%;而EMD与SVM复合模型的平均绝对百分比误差为13.22%,均方根误差为21.61%。

通过对比预测曲线和实测风速曲线发现,SVM模型的预测值往往存在一定程度的“滞后”,经过EMD分解以后拟合风速从一定程度上减小了“滞后”,因而更接近实测风速,预测精度明显提高。

本实验的SVM模型的平均绝对百分比误差为14.21%,均方根误差为19.21%;而EMD与SVM复合模型的平均绝对百分比误差为11.39%,均方根误差为16.14%。

综合以上两次实验可知,未经过EMD处理的SVM模型预测平均绝对百分比误差在10%—20%之间,均方根误差在20%—25%之间;经过EMD预处理后平均绝对百分比误差降到了15%以下,均方根误差降到了15%—20%。

因此,基于EMD和SVM的复合模型有效地提高了风速预测的精度。

4结论
本文使用经验模式分解法和支持向量机建立复合预测模型进行风速的预测,经过实验证明是有效的,用经验模式分解法对风速时间序列进行分解后进行建模预测,减小了预测区县的滞后,有效地提高了风速预测的精度。

当然,风速预测难度较大,现在的研究还没有达到预测极限,还需要进一步展开。

【参考文献】
[1]丁明,张立军,吴义纯.基于时间序列分析的风电场风速预测模型[J].电力自动化设备,2005,25(8):32-34.
[2]WATSON S J,LANDBERG L,HALLDAY J A,Application of wind forecasting to the intergration of wind energy into a large scale power system[J].IEE Procgener,Transm,Distrih,1994,141(4):357-362. [3]BILLINTON R,KARKI R.Application of Monte(下转第375页
)
. All Rights Reserved.
3开展网络文明教育,建设网络道德
网络的应用为大学生的学习与生活提供了良好条件,也为教育的发展展示了广阔的前景,然网络所具有的负面影响也不容忽视。

网络在其积极作用背后隐含着使人精神堕落的陷阱,影响着青少年的身心健康,也给家庭、学校和社会带来不良影响。

网络,作为文化思想的重要阵地,若先进的思想文化不去占领,腐朽庸俗乃至反动的思想文化必然要去占领,为此,抢占网络这一思想政治工作重要阵地,加强网络道德教育,建设网上文明,既是信息时代赋予图书馆新的使命,也是图书馆义不容辞的责任。

建设网上文明,一要提高学生的认识,树立正确的网络价值观,端正上网动机。

二要加强监控,筑牢“防火墙”,提高网络的安全性。

三要从严治理,建立健全各项规章制度,规范大学生的网上行为,把所提倡的思想观念和道德标准融于各项管理中,实现自律和他律的有机统一。

四要主动出击,精心制作图书馆和校园主流网站,用积极、健康的思想和文化信息占领网络阵地。

4搞好信息服务,拓展情报服务职能
4.1信息咨询服务是高校图书馆发展的必然
网络环境下的高校馆服务较传统服务方式有了全新的改变。

首先是图书馆的服务主体由高校师生扩展到不同层次的社会用户。

网络环境下用户的信息需求呈现出多元化的特点:信息内容的多样性、信息载体的广泛性、信息提供的有序性、信息获取的及时性和信息利用的精确性。

图书馆的情报职能也由对文献资料的收藏和提供转变为对信息源的分析整理、研究开发,并主动为用户提供信息服务。

在新的环境下搞好信息服务,满足用户的信息需求不仅能实现图书馆工作重心的转移,充分发挥图书馆“信息库”的作用,更好地服务于教学科研,而且能促进生产力的发展。

因此,强化信息服务职能,是图书馆进入信息社会的重要标志,是图书馆发展的必然。

4.2信息服务策略
4.2.1拓展服务内容。

传统的信息服务是以馆藏为依据以印刷型文献为主的文献提供服务,而网络环境下不仅要继续加强文献流通服务工作,还要做好网上书刊预约、馆际互借、文件Emai等工作。

同时,建立一个内容丰富、界面友好、链接完善、操作方便的图书馆网页,帮助用户方便、快捷地利用网上资源。

此外,图书馆还应利用丰富的网络资源和数据库为用户提供信息导航、信息检索及信息开发服务,利用网络通信功能为用户提供远程服务。

4.2.2转变服务方式。

传统图书馆采取的是与读者面对面交流的直接方式,而网络环境下的信息服务是一种互动服务,即依据用户在网上发出的动态信息而迅速、准确地为其“导航”,馆员由在前台直接服务逐渐变为深层的幕后服务,其交流方式则由人人接触变为人机接触,一对一的交流变为随时可进行一对一、一对多、多对一甚至是一对空的信息交流。

读者以前必须借助馆员才能解决的问题,如今可利用网络,通过屏幕界面和链接的信息提供,准确及时地得到解决。

4.2.3更新服务手段。

网络环境不仅为高校图书馆带来了取用不尽的思想信息,且提供了崭新的服务手段。

如光盘数据库技术可广泛用于回溯检索、科技查新、定题和跟踪等情报服务;用户的信息咨询和图书馆的解答可通过电子邮件方式相互传送;图书馆的主页上建立公告版服务,用户可在读者论坛上自由交流和讨论;通过FTP馆员与用户可进行信息电子传送和交换;通过点播服务,用户可直接通过网络终端获取所需的各种图文信息。

上述种种方式手段的应用对图书馆情报服务职能的发挥带来了生机和活力。

【参考文献】
[1]刘云英.拓展高校图书馆社会服务职能的途径探讨[J].晋图学刊, 2011(4).
[2]吴桂英.浅述信息时代高校图书馆服务职能的拓展[J].南京中医药大学学报,2004(1).
[责任编辑:王洪泽
]
(上接第91页)Carlo simulation to genemting system well-being analysis[J].IEEE Trans.on Power Systems,1994,14(3):1172-1177. [4]M.Alexiadis,P.Dokopoulos,H.Sahsamanoglou,I.Manousaridis,short term forecasting of wind speed and related electrical power[J].solar en⁃ergy,1998,63(1).
[5]EA.Bossanyi.Short-term wind prediction using Kalman filters[J]. Wind Engineering,1985,9.
[6]Damous,I.G,Dokopoulus,P,A.A fuzzy expert system for the fore⁃casting of wind speed and power generation in wind farms[C].IEEE Power Industry Computer Application Conference,2001.[7]李文良,卫志农,孙国强,完整,缪伟.基于改进空间相关法和径向基神经网络的风电场短期风速分时预测模型[J].电力自动化设备2009,29(6):89-92.
[8]周培毅,张新燕.基于时间序列与支持向量机的风电场风速预测研究[J].陕西电力,2009年12期.
[9]邵璠,孙育河,梁岚珍.基于时间序列法的风电场风速预测研究[J].自动化仪表,2008,29(11):21-24.
[责任编辑:曹明明]
. All Rights Reserved.。