本發(fā)明涉及預(yù)測學(xué)技術(shù)領(lǐng)域,更具體的說,是涉及一種風(fēng)電場風(fēng)速的多步預(yù)測方法及系統(tǒng)。
背景技術(shù):
在現(xiàn)有技術(shù)中,預(yù)測學(xué)現(xiàn)已廣泛應(yīng)用于國民經(jīng)濟(jì)各部門以及社會、科技、軍事、政治等領(lǐng)域,成為管理決策不可缺少的重要組成部分。同樣對于風(fēng)電機(jī)組而言,由于風(fēng)能具有間歇性、不可控性和波動性等特點(diǎn),極大影響了電力系統(tǒng)的發(fā)電質(zhì)量、安全性和穩(wěn)定性,因而對風(fēng)速進(jìn)行準(zhǔn)確的預(yù)測是實(shí)現(xiàn)電網(wǎng)合理調(diào)度運(yùn)行的有效手段,提供風(fēng)速預(yù)測的精度具有很重要的現(xiàn)實(shí)意義。
目前,風(fēng)電場風(fēng)速預(yù)測主要包括:迭代預(yù)測模型和單純基于歷史數(shù)據(jù)的預(yù)測模型以及將“多輸出模型”與“單純基于歷史數(shù)據(jù)的預(yù)測模型”結(jié)合起來的預(yù)測模型來對進(jìn)行風(fēng)速進(jìn)行直接的多步預(yù)測。對于迭代式預(yù)測模型,該模型在一些預(yù)測中取得了不錯(cuò)的效果,該模型通過將預(yù)測值不斷地加入到預(yù)測模型中來擴(kuò)充預(yù)測模型的樣本,從而達(dá)到迭代的效果,但每一步產(chǎn)生的誤差會向后傳遞,造成誤差的累積,預(yù)測步數(shù)越多,累積的誤差越大;單純基于歷史數(shù)據(jù)的預(yù)測模型,該方法通過模型用同一組歷史數(shù)據(jù)對接下來的幾個(gè)風(fēng)速點(diǎn)進(jìn)行預(yù)測,在預(yù)測過程中沒有引入估計(jì)值,即沒有累積誤差,但這種預(yù)測方法沒有考慮到時(shí)間序列內(nèi)在的相關(guān)性或者說內(nèi)部的混沌特性,若產(chǎn)生線性或者輕微非線性的模型會對時(shí)間序列的混沌性造成破壞;另外就是將以上兩種方法組合到一起的預(yù)測模型,同基于歷史數(shù)據(jù)的預(yù)測模型一樣,運(yùn)用不同模型對每一步進(jìn)行預(yù)測,而且每一步預(yù)測中都加入前幾步的預(yù)測值,這種方法同樣無法避免誤差累積對結(jié)果的影響。
因此,提供一種可以解決上述幾種風(fēng)電場風(fēng)速預(yù)測方法帶來的問題,是本領(lǐng)域技術(shù)人員亟待解決的技術(shù)問題。
技術(shù)實(shí)現(xiàn)要素:
有鑒于此,本發(fā)明提供了一種風(fēng)電場風(fēng)速的多步預(yù)測方法及系統(tǒng),以解決現(xiàn)有技術(shù)中采用迭代預(yù)測模型和將“多輸出模型”與“單純基于歷史數(shù)據(jù)的預(yù)測模型”結(jié)合起來的預(yù)測模型的方法進(jìn)行風(fēng)電場風(fēng)速的預(yù)測產(chǎn)生的迭代誤差的問題。
為實(shí)現(xiàn)上述目的,本發(fā)明提供如下技術(shù)方案:
一種風(fēng)電場風(fēng)速的多步預(yù)測方法,該方法基于并行相關(guān)向量機(jī),該方法包括:
構(gòu)建預(yù)測模型,得到目標(biāo)值與特征向量之間的關(guān)系;
根據(jù)CAO計(jì)算方法確定所述目標(biāo)值的嵌入維數(shù)m;
將每組的所述訓(xùn)練樣本的最后m個(gè)樣本作為特征向量輸入所述預(yù)測模型中進(jìn)行相關(guān)向量機(jī)的計(jì)算,得到每組所述訓(xùn)練樣本的特征向量對應(yīng)的預(yù)測值;
將所述每組所述訓(xùn)練樣本的特征向量對應(yīng)的預(yù)測值進(jìn)行排序得到多步預(yù)測結(jié)果。
其中,所述構(gòu)建預(yù)測模型包括:
對訓(xùn)練樣本構(gòu)造樣本特征,所述訓(xùn)練樣本為原始風(fēng)速時(shí)間序列;
對所述訓(xùn)練樣本的各個(gè)樣本特征向量與目標(biāo)值的對應(yīng)關(guān)系進(jìn)行整合,得到所述訓(xùn)練樣本的特征,即得到目標(biāo)值與特征向量之間的關(guān)系。
其中,所述對訓(xùn)練樣本構(gòu)造樣本特征,所述訓(xùn)練樣本為原始風(fēng)速時(shí)間序列包括:
將原始風(fēng)速時(shí)間序列按照預(yù)設(shè)時(shí)間間隔進(jìn)行分組,得到所述預(yù)設(shè)時(shí)間間隔個(gè)分組序列;
采用相空間重構(gòu)理論分別對所述預(yù)設(shè)時(shí)間間隔個(gè)分組序列進(jìn)行分析,得到所述分組序列與目標(biāo)值之間的關(guān)系。
其中,所述將每組的所述訓(xùn)練樣本的特征輸入所述預(yù)測模型中進(jìn)行相關(guān)向量機(jī)的計(jì)算,得到每組的所述訓(xùn)練樣本的特征對應(yīng)的預(yù)測值包括:
分別對每組時(shí)間序列進(jìn)行樣本訓(xùn)練,建立相關(guān)向量機(jī)預(yù)測模型;
將每組的所述訓(xùn)練樣本的最后m個(gè)樣本作為特征向量輸入所述預(yù)測模型中計(jì)算得到每組的所述訓(xùn)練樣本的特征向量對應(yīng)的預(yù)測值。
一種風(fēng)電場風(fēng)速的多步預(yù)測系統(tǒng),該系統(tǒng)基于并行相關(guān)向量機(jī),該系統(tǒng)包括:
模型構(gòu)建單元,用于構(gòu)建預(yù)測模型,得到目標(biāo)值與特征向量之間的關(guān)系;
第一計(jì)算單元,用于根據(jù)CAO計(jì)算方法確定所述目標(biāo)值的嵌入維數(shù)m;
第二計(jì)算單元,用于將每組的所述訓(xùn)練樣本的最后m個(gè)樣本作為特征向量輸入所述預(yù)測模型中進(jìn)行相關(guān)向量機(jī)的計(jì)算,得到每組所述訓(xùn)練樣本的特征向量對應(yīng)的預(yù)測值;
排序單元,用于將所述每組所述訓(xùn)練樣本的特征向量對應(yīng)的預(yù)測值進(jìn)行排序得到多步預(yù)測結(jié)果。
其中,所述模型構(gòu)建單元包括:
構(gòu)造單元,用于對訓(xùn)練樣本構(gòu)造樣本特征,所述訓(xùn)練樣本為原始風(fēng)速時(shí)間序列;
整合單元,用于對所述訓(xùn)練樣本的各個(gè)樣本特征向量與目標(biāo)值的對應(yīng)關(guān)系進(jìn)行整合,得到所述訓(xùn)練樣本的特征,即得到目標(biāo)值與特征向量之間的關(guān)系。
其中,所述構(gòu)造單元包括:
分組單元,用于將原始風(fēng)速時(shí)間序列按照預(yù)設(shè)時(shí)間間隔進(jìn)行分組,得到所述預(yù)設(shè)時(shí)間間隔個(gè)分組序列;
分析單元,用于采用相空間重構(gòu)理論分別對所述預(yù)設(shè)時(shí)間間隔個(gè)分組序列進(jìn)行分析,得到所述分組序列與目標(biāo)值之間的關(guān)系。
其中,所述第二計(jì)算單元包括:
樣本訓(xùn)練單元,用于分別對每組時(shí)間序列進(jìn)行樣本訓(xùn)練,建立相關(guān)向量機(jī)預(yù)測模型;
計(jì)算子單元,用于將每組的所述訓(xùn)練樣本的最后m個(gè)樣本作為特征向量輸入所述預(yù)測模型中計(jì)算得到每組的所述訓(xùn)練樣本的特征向量對應(yīng)的預(yù)測值。
經(jīng)由上述的技術(shù)方案可知,與現(xiàn)有技術(shù)相比,本發(fā)明公開了一種風(fēng)電場風(fēng)速的多步預(yù)測方法及系統(tǒng),本方法及系統(tǒng)基于并行相關(guān)向量機(jī),具體該方法包括:構(gòu)建預(yù)測模型,得到目標(biāo)值與特征向量之間的關(guān)系;根據(jù)CAO計(jì)算方法確定所述目標(biāo)值的嵌入維數(shù)m;將每組的訓(xùn)練樣本的最后m個(gè)樣本作為特征向量輸入預(yù)測模型中進(jìn)行相關(guān)向量機(jī)的計(jì)算,得到每組訓(xùn)練樣本的特征向量對應(yīng)的預(yù)測值;將每組訓(xùn)練樣本的特征向量對應(yīng)的預(yù)測值進(jìn)行排序得到多步預(yù)測結(jié)果。本發(fā)明通過對原始風(fēng)速時(shí)間序列分為多個(gè)組,再通過相空間重構(gòu)得到的時(shí)間延遲對風(fēng)速序列進(jìn)行重構(gòu),對每組風(fēng)速序列進(jìn)行相關(guān)向量機(jī)預(yù)測,且每組風(fēng)速序列邏輯上為并列關(guān)系,相互之間不會發(fā)生影響,避免了現(xiàn)有技術(shù)中迭代法產(chǎn)生的迭代誤差,保證了預(yù)測精度的同時(shí)大大提高了預(yù)測步長。
附圖說明
為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案,下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹,顯而易見地,下面描述中的附圖僅僅是本發(fā)明的實(shí)施例,對于本領(lǐng)域普通技術(shù)人員來講,在不付出創(chuàng)造性勞動的前提下,還可以根據(jù)提供的附圖獲得其他的附圖。
圖1為本發(fā)明實(shí)施例提供的一種風(fēng)電場風(fēng)速的多步預(yù)測方法流程示意圖;
圖2為本發(fā)明實(shí)施例中時(shí)間序列并行多步預(yù)測結(jié)果示意圖;
圖3為本發(fā)明實(shí)施例提供的一種風(fēng)電場風(fēng)速的多步預(yù)測系統(tǒng)結(jié)構(gòu)示意圖。
具體實(shí)施方式
下面將結(jié)合本發(fā)明實(shí)施例中的附圖,對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述,顯然,所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例,而不是全部的實(shí)施例?;诒景l(fā)明中的實(shí)施例,本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例,都屬于本發(fā)明保護(hù)的范圍。
本文提出的“基于并行相關(guān)向量機(jī)(P-RVM)的多步預(yù)測方法”提到的相關(guān)概念解釋如下。
“并行”是指通過向空間重構(gòu)將風(fēng)速時(shí)間序列分為τ組,組與組之間是并列并且同時(shí)進(jìn)行的預(yù)測,即所謂的“并行”;
“相關(guān)向量機(jī)”是指相關(guān)向量機(jī)(RVM)是通過核函數(shù)映射把數(shù)據(jù)由低維向高維空間的轉(zhuǎn)化,相關(guān)向量機(jī)的訓(xùn)練是基于貝葉斯理論,在先驗(yàn)分布的條件下,利用自動相關(guān)決策理論(Automatic Relevance Determination,ARD)來消除無關(guān)聯(lián)的點(diǎn),從而獲得稀疏化的分類模型。
核函數(shù):RVM是一種基于核的算法。核函數(shù)的定義為設(shè)X是Rn中的一個(gè)子集,如果存在著從X到某個(gè)Hilbert空間H的映射:使得其中(·)表示內(nèi)積,稱定義在X×X上的函數(shù)K(x,x/)是核函數(shù)。
核函數(shù)的作用就是把來自低維空間里的兩個(gè)向量進(jìn)行某種變換,從而能夠計(jì)算出他們在高維空間里的向量內(nèi)積值。
多步預(yù)測:進(jìn)行一次預(yù)測可以產(chǎn)生在時(shí)間序列上順序排列的多個(gè)預(yù)測值的預(yù)測過程稱為多步預(yù)測,而單步預(yù)測則一次只產(chǎn)生一個(gè)預(yù)測值。由于多步預(yù)測的方法較多,產(chǎn)生的效果一樣,但過程不一樣。比如迭代預(yù)測是每迭代一次產(chǎn)生一次預(yù)測值,需要多次迭代才可以產(chǎn)生多步預(yù)測的效果;多輸出模型,由于模型的特點(diǎn),可一次輸出多個(gè)預(yù)測值;而本文所提出的方法是通過τ個(gè)并行的風(fēng)速序列,每組建立RVM模型,每組產(chǎn)生一個(gè)預(yù)測值從而產(chǎn)生步長為τ的多步預(yù)測效果,因此多步預(yù)測并不是只通過一步預(yù)測就可以產(chǎn)生多個(gè)預(yù)測值,這還與采取的預(yù)測方法有關(guān)。
時(shí)間延遲:在本專利中利用時(shí)間延遲作為風(fēng)速時(shí)間序列所分的并行組數(shù)的度量。
嵌入維數(shù):在本專利中利用嵌入維數(shù)作為樣本特征的度量,用來構(gòu)造樣本條件特征值,并使其與目標(biāo)值對應(yīng)。
采用Cao方法來對嵌入維數(shù)m進(jìn)行計(jì)算,并將m作為特征維數(shù),得到樣本特征。以時(shí)間序列xi(i=1,2,…,τ)為例,構(gòu)造樣本條件特征值,并與目標(biāo)值對應(yīng):
Cao方法是學(xué)者Liangyue Cao提出的主要用來求取時(shí)間序列嵌入維數(shù)的方法,還可以用于時(shí)間序列混沌特性的分析。Cao方法可以依照一下步驟實(shí)現(xiàn)。
在m維空間中,每一個(gè)相點(diǎn)矢量為X(i)={x(i),x(i+τ),.…x(i+(m-1)τ)},都有一個(gè)某距離內(nèi)最臨近點(diǎn)XNN(i),其距離為Rm(i),則R2m(i)=||X(i)-XNN(i)||2。
當(dāng)向空間的維數(shù)增加到m+1維時(shí),這兩個(gè)相點(diǎn)的距離就會發(fā)生變化,兩者距離變成為Rm+1(i),由m增加1而引起的兩臨近點(diǎn)間距離變化是[R2m+1(i)-R2m(i)]1/2=|x(i+τm)-xNN(i+τm)|可見,如果兩臨近點(diǎn)的距離不隨m增大而增大,即Rm(i)=Rm+1(i),則鄰近點(diǎn)是真實(shí)的;如果Rm+1(i)比Rm(i)大很多,可以認(rèn)為這是由于高維混沌吸引子中兩個(gè)不相鄰的點(diǎn)投影到低維軌道上時(shí)變成相鄰的兩個(gè)點(diǎn)造成的,因此這樣的鄰點(diǎn)是虛設(shè)的。定義其中Xm(i)和XmNN(i)為m維空間的第i個(gè)向量和它的最鄰近點(diǎn),Xm+1(i)和Xd+1NN(i)為m+1維空間的第i個(gè)向量和它的最鄰近點(diǎn)。
定義E1(m)=E(m+1)/E(m),如果時(shí)間序列是確定的,則嵌入維數(shù)是存在的,即E1(m)將在m大于某一特定值m0時(shí)不再變化。若時(shí)間序列是隨機(jī)信號,則E1(m)應(yīng)逐漸增加,但在實(shí)際應(yīng)用中不容易判斷有現(xiàn)場序列E1(m)究竟是在緩慢變化還是已經(jīng)穩(wěn)定,因此補(bǔ)充一個(gè)判斷準(zhǔn)則:
E2(m)=E*(m+1)/E*(m)
對于隨機(jī)序列,數(shù)據(jù)之間沒有相關(guān)性,即不具備可與測性,E2(m)始終為1;對于確定序列,數(shù)據(jù)之間的相關(guān)關(guān)系是依賴于嵌入維數(shù)m值變化的,總存在一些m值使得E2(m)不等于1。
請參閱附圖1,圖1為本發(fā)明實(shí)施例提供的一種風(fēng)電場風(fēng)速的多步預(yù)測方法流程示意圖。如圖1所示,本發(fā)明公開了一種風(fēng)電場風(fēng)速的多步預(yù)測方法,該方法基于并行相關(guān)向量機(jī),該方法包括如下具體流程:
S101、構(gòu)建預(yù)測模型,得到目標(biāo)值與特征向量之間的關(guān)系。
在本實(shí)施例中,構(gòu)建預(yù)測模型的具體步驟如下:
對訓(xùn)練樣本構(gòu)造樣本特征,訓(xùn)練樣本為原始風(fēng)速時(shí)間序列。
需要說明的是,該步驟可以具體為:
將原始風(fēng)速時(shí)間序列按照預(yù)設(shè)時(shí)間間隔進(jìn)行分組,得到預(yù)設(shè)時(shí)間間隔個(gè)分組序列;
采用相空間重構(gòu)理論分別對預(yù)設(shè)時(shí)間間隔個(gè)分組序列進(jìn)行分析,得到分組序列與目標(biāo)值之間的關(guān)系。
對訓(xùn)練樣本的各個(gè)樣本特征與目標(biāo)值的對應(yīng)關(guān)系進(jìn)行整合,得到訓(xùn)練樣本的特征,即得到預(yù)測值與其樣本特征之間的關(guān)系。
具體說明的是:
基于并行相關(guān)向量機(jī)的多步預(yù)測模型建立:
對于時(shí)間序列X={X1,X2,…,Xn},Xi分別為第i個(gè)時(shí)刻對應(yīng)的風(fēng)速值,基于并行RVM多步預(yù)測的模型建立具體步驟如下:
首先,確定時(shí)間延遲τ。從風(fēng)場風(fēng)速數(shù)據(jù)中選取合適數(shù)目的一組風(fēng)速數(shù)據(jù)并分析其混沌特性,通過互信息法計(jì)算時(shí)間延遲τ。
其次,利用τ將數(shù)據(jù)分組。以τ作為時(shí)間間隔將時(shí)間樣本進(jìn)行分組,最終將樣本分為τ組。如下所示。
x1={x11,x12,…}={X1,X1+τ,…};
x2={x21,x22,…}={X2,X2+τ,…};
…
xτ={xτ1,xτ2,…}={Xτ,Xτ+τ,…};
然后,分別針對τ組數(shù)據(jù)建立τ個(gè)RVM預(yù)測模型。
利用相空間重構(gòu)理論對分別對τ組訓(xùn)練樣本進(jìn)行分析,得到訓(xùn)練樣本的特征,從而得到目標(biāo)值與特征向量之間的關(guān)系。
步驟S102、根據(jù)CAO計(jì)算方法確定目標(biāo)值的嵌入維數(shù)m。
根據(jù)CAO方法計(jì)算求得嵌入維數(shù)m,即:
(xi1,xi2,…,xim)→(xi(m+1))
(xi2,xi3,…,xi(m+1))→(xi(m+2))
…
(xij,xi(j+1),…,xi(j+m-1))→(xi(j+m))
…
其中,左側(cè)為樣本條件特征向量,右側(cè)為對應(yīng)目標(biāo)值。即得到第i個(gè)時(shí)間序列的訓(xùn)練樣本,根據(jù)確定的風(fēng)速數(shù)據(jù)進(jìn)行模型的訓(xùn)練,將左側(cè)樣本條件特征向量輸入到訓(xùn)練模型中即可得到右側(cè)對應(yīng)目標(biāo)值。根據(jù)這個(gè)進(jìn)行RVM進(jìn)行預(yù)測模型的建立。
基于訓(xùn)練樣本xi,利用RVM方法建立預(yù)測模型。具體步驟如下:
建立預(yù)測模型,分別對每組時(shí)間序列進(jìn)行樣本訓(xùn)練,建立RVM預(yù)測模型。
首先,設(shè)定目標(biāo)值ti與條件特征值{xi}i=1N、權(quán)重系數(shù)wi存在的函數(shù)關(guān)系
ti=y(tǒng)(xi,w)+εi
式中,xi與ti分別是上述的樣本條件特征值與其對應(yīng)的目標(biāo)值、wi為權(quán)重系數(shù)、目標(biāo)函數(shù)帶有噪聲且滿足εi~N(0,σ2),wi為權(quán)重系數(shù),k(x,x/)為核函數(shù),N為樣本數(shù)量。
其次,將條件特征值{xi}i=1N與目標(biāo)值ti代入到核函數(shù)矩陣:
由上述公式ti=y(tǒng)(xi,w)+εi可知,求得ti服從ti~(y(xi,w),σ2)的分布。對于相互獨(dú)立的目標(biāo)值t=[t1,t2,…,tn]T、wi與σ2已知的條件下,訓(xùn)練集的似然估計(jì)如下:
式中,t=(t1,t2,…,tN)’,w=(w1,w2,…wN)’,Φ是由特征向量代入到核函數(shù)中的N×(N+1)維矩陣:
再次,引入超參數(shù)向量,將求解權(quán)重wi的問題轉(zhuǎn)化為對超參數(shù)向量的求解:
采用稀疏貝葉斯原理對w賦予零均值高斯先驗(yàn)分布得:
式中,α=[α1,α2,…,αn]T是N+1維超參數(shù)向量,每一個(gè)權(quán)重對應(yīng)一個(gè)獨(dú)立的超參數(shù)分量,因此將求解權(quán)重wi的問題轉(zhuǎn)化為對αi的求解,并且保證了RVM的稀疏性。
然后,求解超參數(shù)α和方差σ2:
在定義了先驗(yàn)概率分布及似然分布以后,根據(jù)貝葉斯原理,就以求得所有未知參數(shù)的后驗(yàn)概率分布為:
式中,Σ=(σ-2ΦTΦ+A)-1,μ=σ-2ΣΦTl,A=diag(α1,α2,…,αN)。使用最大似然法可得超參數(shù)α和方差σ2。
最后,得到目標(biāo)值ti與條件特征值{xi}i=1N、權(quán)重系數(shù)wi的預(yù)測模型
ti=y(tǒng)(xi,w)+εi
S103、將每組的訓(xùn)練樣本的最后m個(gè)樣本作為特征向量輸入預(yù)測模型中進(jìn)行相關(guān)向量機(jī)的計(jì)算,得到每組訓(xùn)練樣本的特征向量對應(yīng)的預(yù)測值。
在本實(shí)施例中,該步驟可以具體為:
分別對每組時(shí)間序列進(jìn)行樣本訓(xùn)練,建立相關(guān)向量機(jī)預(yù)測模型;
將每組的訓(xùn)練樣本的最后m個(gè)樣本作為特征向量輸入預(yù)測模型中計(jì)算得到每組訓(xùn)練樣本的特征向量對應(yīng)的預(yù)測值,即:具體的,其實(shí)模型建立的過程是將每組時(shí)間序列得到的樣本條件特征向量與目標(biāo)值之間的對應(yīng)關(guān)系輸入到RVM中,讓其進(jìn)行訓(xùn)練,構(gòu)建預(yù)測模型;預(yù)測的過程是通過將每組序列的最后m個(gè)風(fēng)速數(shù)據(jù)作為特征向量輸入到經(jīng)過訓(xùn)練后的RVM,得到第m+1個(gè)風(fēng)速值,這個(gè)風(fēng)速值就是預(yù)測值。
S104、將每組訓(xùn)練樣本的特征向量對應(yīng)的預(yù)測值進(jìn)行排序得到多步預(yù)測結(jié)果。
通過上述具體的建立模型的方法,通過對訓(xùn)練樣本(xi)構(gòu)造樣本特征,再對訓(xùn)練樣本(xi)各個(gè)樣本特征向量與目標(biāo)值的對應(yīng)關(guān)系進(jìn)行整合,得到訓(xùn)練樣本(xi)的特征,即為,得到預(yù)測值與其樣本特征之間的關(guān)系。
分別將每組訓(xùn)練樣本最后m個(gè)風(fēng)速數(shù)據(jù)作為特征向量輸入到RVM預(yù)測模型中,從而每組分別得到各自的預(yù)測值,即可以確定第m+1的風(fēng)速值,實(shí)現(xiàn)對風(fēng)速的準(zhǔn)確預(yù)測。
利用每個(gè)時(shí)間序列整合的樣本特征,得到每個(gè)時(shí)間序列的預(yù)測值yi,對τ組的預(yù)測值進(jìn)行有序的排列最終形成多步預(yù)測的預(yù)測結(jié)果,如附圖2中所示(y1、y2、…yτ即為多步預(yù)測結(jié)果)。
本發(fā)明中,在并行的多個(gè)RVM中,每個(gè)RVM模型都相當(dāng)于一步預(yù)測,即通過重構(gòu)的歷史數(shù)據(jù)對下一個(gè)時(shí)間點(diǎn)的風(fēng)速值進(jìn)行預(yù)測,從而避免了迭代法中預(yù)測值的加入導(dǎo)致的迭代誤差;另外,本方法充分考慮到風(fēng)速序列的混沌性,通過計(jì)算時(shí)間序列時(shí)間延遲τ(即為預(yù)測步長),利用該參數(shù)對原始時(shí)間序列模型進(jìn)行重構(gòu),從而形成τ個(gè)并行的風(fēng)速時(shí)間序列,從而避免了直接法對時(shí)間序列混沌特性的破壞;最后,嵌入維數(shù)確定了特征向量,將嵌入維數(shù)作為特征維數(shù),得到樣本特征,同樣避免了對混沌特性的破壞。因此,與傳統(tǒng)的多步預(yù)測模型相比,本發(fā)明提出的基于并行相關(guān)向量機(jī)的多步預(yù)測方法預(yù)測精度更高。
在上述公開的方法的基礎(chǔ)上,本發(fā)明還公開了一種系統(tǒng)。
請參閱附圖3,圖3為本發(fā)明實(shí)施例提供的一種風(fēng)電場風(fēng)速的多步預(yù)測系統(tǒng)結(jié)構(gòu)示意圖。如圖3所示,本發(fā)明實(shí)施例公開了一種風(fēng)電場風(fēng)速的多步預(yù)測系統(tǒng),該系統(tǒng)基于并行相關(guān)向量機(jī),該系統(tǒng)具體結(jié)構(gòu)包括:
模型構(gòu)建單元301,用于構(gòu)建預(yù)測模型,得到目標(biāo)值與特征向量之間的關(guān)系;
第一計(jì)算單元302,用于根據(jù)CAO計(jì)算方法確定所述目標(biāo)值的嵌入維數(shù)m;
第二計(jì)算單元303,用于將每組的訓(xùn)練樣本的最后m個(gè)樣本作為特征向量輸入預(yù)測模型中進(jìn)行相關(guān)向量機(jī)的計(jì)算,得到每組訓(xùn)練樣本的特征向量對應(yīng)的預(yù)測值;
排序單元304,用于將每組訓(xùn)練樣本的特征向量對應(yīng)的預(yù)測值進(jìn)行排序得到多步預(yù)測結(jié)果。
優(yōu)選的,所述模型構(gòu)建單元301包括:
構(gòu)造單元,用于對訓(xùn)練樣本構(gòu)造樣本特征,訓(xùn)練樣本為原始風(fēng)速時(shí)間序列;
整合單元,用于對訓(xùn)練樣本的各個(gè)樣本特征向量與目標(biāo)值的對應(yīng)關(guān)系進(jìn)行整合,得到訓(xùn)練樣本的特征,即得到目標(biāo)值與特征向量之間的關(guān)系。
優(yōu)選的,所述構(gòu)造單元包括:
分組單元,用于將原始風(fēng)速時(shí)間序列按照預(yù)設(shè)時(shí)間間隔進(jìn)行分組,得到預(yù)設(shè)時(shí)間間隔個(gè)分組序列;
分析單元,用于采用相空間重構(gòu)理論分別對預(yù)設(shè)時(shí)間間隔個(gè)分組序列進(jìn)行分析,得到分組序列對應(yīng)的特征向量與目標(biāo)值之間的關(guān)系。
優(yōu)選的,所述第二計(jì)算單元303包括:
樣本訓(xùn)練單元,用于分別對每組時(shí)間序列進(jìn)行樣本訓(xùn)練,建立相關(guān)向量機(jī)預(yù)測模型;
計(jì)算子單元,用于將每組的訓(xùn)練樣本的最后m個(gè)樣本作為特征向量輸入預(yù)測模型中計(jì)算得到每組的訓(xùn)練樣本的特征向量對應(yīng)的預(yù)測值。
本發(fā)明中,在并行的多個(gè)RVM中,每個(gè)RVM模型都相當(dāng)于一步預(yù)測,即通過重構(gòu)的歷史數(shù)據(jù)對下一個(gè)時(shí)間點(diǎn)的風(fēng)速值進(jìn)行預(yù)測,從而避免了迭代法中預(yù)測值的加入導(dǎo)致的迭代誤差;另外,本方法充分考慮到風(fēng)速序列的混沌性,通過計(jì)算時(shí)間序列時(shí)間延遲τ(即為預(yù)測步長),利用該參數(shù)對原始時(shí)間序列模型進(jìn)行重構(gòu),從而形成τ個(gè)并行的風(fēng)速時(shí)間序列,從而避免了直接法(直接預(yù)測策略是指通過歷史觀測數(shù)據(jù)獨(dú)立的進(jìn)行每一步預(yù)測,每一步之間沒有影響)對時(shí)間序列混沌特性的破壞;最后,嵌入維數(shù)確定了特征向量,將嵌入維數(shù)作為特征維數(shù),得到樣本特征,同樣避免了對混沌特性的破壞。因此,與傳統(tǒng)的多步預(yù)測模型相比,本發(fā)明提出的基于并行相關(guān)向量機(jī)的多步預(yù)測方法預(yù)測精度更高。
綜上所述,本發(fā)明公開了一種風(fēng)電場風(fēng)速的多步預(yù)測方法及系統(tǒng),本方法基于并行相關(guān)向量機(jī),該方法包括:構(gòu)建預(yù)測模型,得到目標(biāo)值與特征向量之間的關(guān)系;根據(jù)CAO計(jì)算方法確定所述目標(biāo)值的嵌入維數(shù)m;將每組的訓(xùn)練樣本的最后m個(gè)樣本作為特征向量輸入預(yù)測模型中進(jìn)行相關(guān)向量機(jī)的計(jì)算,得到每組訓(xùn)練樣本的特征向量對應(yīng)的預(yù)測值;將每組訓(xùn)練樣本的特征向量對應(yīng)的預(yù)測值進(jìn)行排序得到多步預(yù)測結(jié)果。本發(fā)明通過對原始風(fēng)速時(shí)間序列分為多個(gè)組,再通過相空間重構(gòu)得到的時(shí)間延遲對風(fēng)速序列進(jìn)行重構(gòu),對每組風(fēng)速序列進(jìn)行相關(guān)向量機(jī)預(yù)測,且每組風(fēng)速序列邏輯上為并列關(guān)系,相互間不會發(fā)生影響,避免了現(xiàn)有技術(shù)中迭代法產(chǎn)生的迭代誤差,保證預(yù)測精度的同時(shí)大大提高了預(yù)測步長。
需要說明的是,本說明書中的各個(gè)實(shí)施例均采用遞進(jìn)的方式描述,每個(gè)實(shí)施例重點(diǎn)說明的都是與其他實(shí)施例的不同之處,各個(gè)實(shí)施例之間相同相似的部分互相參見即可。
以上結(jié)合附圖對本發(fā)明所提出的方法進(jìn)行了示例性描述,以上實(shí)施例的說明只是用于幫助理解本發(fā)明的核心思想。對于本領(lǐng)域的一般技術(shù)人員,依據(jù)本發(fā)明的思想,在具體實(shí)施方式及應(yīng)用范圍上均會有改變之處。綜上所述,本說明書內(nèi)容不應(yīng)理解為對本發(fā)明的限制。
對所公開的實(shí)施例的上述說明,使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對這些實(shí)施例的多種修改對本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的,本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下,在其它實(shí)施例中實(shí)現(xiàn)。因此,本發(fā)明將不會被限制于本文所示的這些實(shí)施例,而是要符合與本文所公開的原理和新穎特點(diǎn)相一致的最寬的范圍。