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x_i(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)X^NN(i)，其距離為R_m(i)，則R²_m(i)＝||X(i)-X^NN(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R_m+1(i)，由m增加1而引起的兩臨近點(diǎn)間距離變化是[R²_m+1(i)-R²_m(i)]^1/2＝|x(i+τm)-x^NN(i+τm)|可見，如果兩臨近點(diǎn)的距離不隨m增大而增大，即R_m(i)＝R_m+1(i)，則鄰近點(diǎn)是真實(shí)的；如果R_m+1(i)比R_m(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X_m(i)和X_m^NN(i)為m維空間的第i個(gè)向量和它的最鄰近點(diǎn)，X_m+1(i)和X_d+1^NN(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：

$E^{*}\left(m\right)=\frac{1}{N-m\mathrm{\τ}}\underset{i=1}{\overset{N-m\mathrm{\τ}}{\Σ}}|x(i+\mathrm{\τ}m)-x^{NN}(i+\mathrm{\τ}m)|$

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：

(x_i1,x_i2，…，x_im)→(x_i(m+1))

(x_i2,x_i3，…，x_i(m+1))→(x_i(m+2))

…

(x_ij，x_i(j+1)，…，x_i(j+m-1))→(x_i(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x_i，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t_i與條件特征值{x_i}_i＝1^N、權(quán)重系數(shù)w_i存在的函數(shù)關(guān)系

t_i＝y(tǒng)(x_i,w)+ε_i

$y(x_i,w)={\Σ}_{i=1}^N{w}_{i}k(x,x^{/})+w_0$

式中，x_i與t_i分別是上述的樣本條件特征值與其對應(yīng)的目標(biāo)值、w_i為權(quán)重系數(shù)、目標(biāo)函數(shù)帶有噪聲且滿足ε_i～N(0,σ²)，w_i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{x_i}_i＝1^N與目標(biāo)值t_i代入到核函數(shù)矩陣：

由上述公式t_i＝y(tǒng)(x_i,w)+ε_i可知，求得t_i服從t_i～(y(x_i,w),σ²)的分布。對于相互獨(dú)立的目標(biāo)值t＝[t₁,t₂,…,t_n]^T、w_i與σ²已知的條件下，訓(xùn)練集的似然估計(jì)如下：

$p\left(t\right|w,{\mathrm{\σ}}^2)={\left(2{\mathrm{\π\σ}}^2\right)}^{-N/2}\exp (-\frac{\left|\right|t-\mathrm{\Φ}w|{|}^2}{2{\mathrm{\σ}}^2})$

式中，t＝(t₁,t₂,…,t_N)’，w＝(w₁,w₂,…w_N)’，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w_i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：

$p\left(w\right|\mathrm{\α})=\underset{i=0}{\overset{N}{\Π}}N\left(w_i\right|0,{\mathrm{\α}}_i^{-1})$

式中，α＝[α₁,α_2,…,α_n]^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w_i的問題轉(zhuǎn)化為對α_i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：

$p\left(w\right|t,\mathrm{\α},{\mathrm{\σ}}^2)={\left(2\mathrm{\π}\right)}^{-\frac{(N+1)}{2}}{|\Σ|}^{-\frac{1}{2}}\{-\frac{1}{2}{(w-\mathrm{\μ})}^T{\Σ}^{-1}(w-\mathrm{\μ})\}$

式中，Σ＝(σ^-2Φ^TΦ+A)^-1，μ＝σ^-2ΣΦ^Tl，A＝diag(α₁,α₂,…,α_N)。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t_i與條件特征值{x_i}_i＝1^N、權(quán)重系數(shù)w_i的預(yù)測模型

t_i＝y(tǒng)(x_i,w)+ε_i

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(x_i)構(gòu)造樣本特征，再對訓(xùn)練樣本(x_i)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(x_i)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y_i，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、…y_τ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。