風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)的MRA-SVM模型

楊亞蘭，徐耀良，鐘紹山，謝江媛

（上海電力學(xué)院電力與自動(dòng)化工程學(xué)院，上海 200090）

開(kāi)發(fā)和利用風(fēng)能的主要形式是風(fēng)力發(fā)電[1]，隨著風(fēng)電容量占電力系統(tǒng)比重的日益增加，風(fēng)電的出力預(yù)測(cè)對(duì)電網(wǎng)的影響不容忽視，而出力的預(yù)測(cè)主要取決于風(fēng)速的預(yù)測(cè)。在時(shí)間尺度上，風(fēng)速預(yù)測(cè)主要分為超短期、短期、中長(zhǎng)期。超短期預(yù)測(cè)一般是30min以內(nèi)的預(yù)測(cè)[2]，用于對(duì)發(fā)電機(jī)的控制；中長(zhǎng)期預(yù)測(cè)時(shí)間主要集中在未來(lái)幾天至幾個(gè)月，用于風(fēng)電場(chǎng)的規(guī)劃設(shè)計(jì)；短期預(yù)測(cè)是30min～72 h的預(yù)測(cè)，用于電力系統(tǒng)的功率平衡和調(diào)度、交易及暫態(tài)穩(wěn)定評(píng)估等，其準(zhǔn)確性直接影響電力系統(tǒng)在未來(lái)一段時(shí)間內(nèi)的調(diào)度計(jì)劃。

有關(guān)風(fēng)速短期預(yù)測(cè)的問(wèn)題，國(guó)內(nèi)外學(xué)者進(jìn)行了大量的研究，歐盟國(guó)家、美國(guó)等風(fēng)電產(chǎn)業(yè)發(fā)展較早，大都開(kāi)發(fā)出了專門(mén)的風(fēng)電功率預(yù)報(bào)系統(tǒng)，預(yù)測(cè)時(shí)長(zhǎng)可達(dá)到72 h，相應(yīng)的預(yù)測(cè)成本也比較高[3]。我國(guó)的風(fēng)力發(fā)電還處于初級(jí)階段，預(yù)測(cè)的時(shí)間長(zhǎng)度一般集中在30min～3 h時(shí)間段，預(yù)測(cè)誤差范圍[1～3]為25%～40%，預(yù)測(cè)方法的選擇很大程度上影響著預(yù)測(cè)結(jié)果的精確性。

風(fēng)速預(yù)測(cè)方法主要有物理模型法和時(shí)間序列模型法。物理模型法基于大量的氣象、地表等因素和發(fā)電機(jī)的性能，其準(zhǔn)確度主要依賴于氣象模型，準(zhǔn)確性的保證就必須在更長(zhǎng)時(shí)間內(nèi)不斷校正，數(shù)據(jù)量大且不易獲取，計(jì)算成本高，不適用于風(fēng)速的短期預(yù)測(cè)；時(shí)間序列法基于統(tǒng)計(jì)學(xué)習(xí)理論，包括傳統(tǒng)的持續(xù)預(yù)測(cè)法、卡爾曼濾波法、隨機(jī)時(shí)間序列法、空間相關(guān)性法以及人工神經(jīng)網(wǎng)絡(luò)法，這些方法易于建模，并能夠及時(shí)地預(yù)測(cè)[4～5]。但是，傳統(tǒng)的時(shí)間序列法缺乏非線性處理能力，人工神經(jīng)網(wǎng)絡(luò)方法過(guò)多地強(qiáng)調(diào)克服學(xué)習(xí)錯(cuò)誤而泛化能力不強(qiáng)，容易陷入局部最小化，使得預(yù)測(cè)推廣能力較差[6～7]；支持向量機(jī)SVM（support vector machine）作為繼人工神經(jīng)網(wǎng)絡(luò)之后的又一種統(tǒng)計(jì)學(xué)習(xí)方法，對(duì)于處理具有小樣本、非線性、高維數(shù)特點(diǎn)的序列有很好的適應(yīng)性[8]。該算法利用最小化原則，引入了間隔概念，使得所建立的模型只由少數(shù)支持向量決定，減小了模型對(duì)于全部數(shù)據(jù)的依耐性[9]。

此外，影響風(fēng)速變化的氣象因素十分復(fù)雜，使得風(fēng)電場(chǎng)風(fēng)速呈非平穩(wěn)變化的特點(diǎn)，風(fēng)速v與風(fēng)能E呈三次方關(guān)系[10]，當(dāng)風(fēng)速頻繁波動(dòng)時(shí)，對(duì)風(fēng)機(jī)的保養(yǎng)是極其不利的。然而，從頻率特性來(lái)看，風(fēng)速具有特殊的周期性，通過(guò)多分辨率分析MRA（multiresolution analysis），可將其看成是不同頻率的分量的疊加，每個(gè)分量處于平穩(wěn)變化狀態(tài)，近似地呈周期變化，從而具有更強(qiáng)的預(yù)測(cè)性[10～11]。

對(duì)華東地區(qū)某風(fēng)場(chǎng)的實(shí)際運(yùn)行情況進(jìn)行調(diào)研，發(fā)現(xiàn)預(yù)測(cè)風(fēng)速的平均絕對(duì)誤差高達(dá)40%，并且以人工估算為主。當(dāng)風(fēng)電容量不斷增大時(shí)，這個(gè)誤差會(huì)對(duì)電網(wǎng)產(chǎn)生不良影響。因此，選擇有效的算法模型，提高風(fēng)速預(yù)測(cè)的準(zhǔn)確率，為調(diào)度部門(mén)提供可靠的數(shù)據(jù)基礎(chǔ)具有現(xiàn)實(shí)的指導(dǎo)意義。本文通過(guò)對(duì)該風(fēng)場(chǎng)實(shí)測(cè)風(fēng)速數(shù)據(jù)建立多分辨率分析和支持向量機(jī)（MRA－SVM）模型，預(yù)測(cè)風(fēng)電場(chǎng)未來(lái)4 h的風(fēng)速值，實(shí)現(xiàn)了風(fēng)速的多步預(yù)測(cè)，并與SVM方法進(jìn)行比較，通過(guò)均方根誤差RMSE（root mean square error）和平均相對(duì)誤差MAPE（mean absolute percentage error）來(lái)評(píng)價(jià)模型的性能，取得了較好的預(yù)測(cè)效果。

1 MRA-SVM模型原理

為降低原始風(fēng)速序列的非平穩(wěn)性，增強(qiáng)其可預(yù)測(cè)性，對(duì)風(fēng)速進(jìn)行n層小波分解，所得細(xì)節(jié)系數(shù)為d1，d2，…，dn，近似系數(shù)為a1，a2，…，an，則x=a3+d1+d2+d3。對(duì)分解的各系數(shù)d1，d2，…，dn及an進(jìn)行單支重構(gòu)，得D1，D2，…，Dn及An。通過(guò)選擇合理的核函數(shù)和懲罰因子等參數(shù)，對(duì)重構(gòu)的風(fēng)速序列分別進(jìn)行SVM回歸預(yù)測(cè)，并將單支預(yù)測(cè)風(fēng)速進(jìn)行疊加，即為原始風(fēng)速序列的預(yù)測(cè)數(shù)據(jù)。模型流程如圖1所示。

圖1 模型流程Fig.1 Flow chart of the model

2 基于MRA-SVM的風(fēng)速預(yù)測(cè)

2.1 模型樣本

在模型的訓(xùn)練樣本中，合理地選取輸入變量對(duì)預(yù)測(cè)的準(zhǔn)確度影響非常大。影響風(fēng)速變化的因素有很多，如溫度、氣壓、地表等大氣因素，若選取這些變量作為輸入變量，信息的獲取不易，數(shù)據(jù)量大，運(yùn)算復(fù)雜度增加。因此，風(fēng)速的預(yù)測(cè)直接用歷史風(fēng)速序列來(lái)實(shí)現(xiàn)。雖然支持向量機(jī)模型的復(fù)雜度取決于支持向量的個(gè)數(shù)，并且輸入量的維數(shù)越大，預(yù)測(cè)精度越高，但是輸入維數(shù)過(guò)大會(huì)導(dǎo)致計(jì)算存儲(chǔ)量大，計(jì)算時(shí)間變慢[12]。對(duì)于風(fēng)速序列{x1，x2，…，xn}，令{xi-m，xi-m+1，…，xi-1}為單個(gè)的輸入變量，則模型的輸入輸出矩陣為

式中，m為輸入變量維數(shù)。綜合考慮計(jì)算時(shí)間、存儲(chǔ)量、輸入與輸出之間的相關(guān)關(guān)系，本文取m=8。

本文采用華東地區(qū)某風(fēng)場(chǎng)70m高空的實(shí)測(cè)風(fēng)速數(shù)據(jù)，單位為m/s，該數(shù)據(jù)為平均每10min采集并存儲(chǔ)1次。選取2012－01－09—2012－01－19期間34號(hào)風(fēng)機(jī)的1 448個(gè)數(shù)據(jù)點(diǎn)，即1 440組輸入作為模型的訓(xùn)練樣本，對(duì)未來(lái)4 h的24個(gè)風(fēng)速數(shù)據(jù)進(jìn)行預(yù)測(cè)。

2.2 多分辨率分析

多分辨率分析由Mallat引入，從空間概念上形象地說(shuō)明了小波的多分辨率特性，是信號(hào)的塔式多分辨率分析分解與重構(gòu)的快速算法[13]。

一維情況下離散小波變換的Mallat算法的卷積表達(dá)式為

小波分解與重構(gòu)的迭代過(guò)程如圖2所示。

圖2 迭代過(guò)程Fig.2 Iterative process

在對(duì)風(fēng)速進(jìn)行多分辨率分析時(shí)，要合理地進(jìn)行小波基以及分解層數(shù)的選擇。選擇不同的小波基將得到不同的分量，而分解的級(jí)數(shù)過(guò)大則需要建立較多的SVM模型對(duì)各分量進(jìn)行預(yù)測(cè)，各個(gè)模型都有一定的誤差，導(dǎo)致最大誤差變大；分解級(jí)數(shù)過(guò)小則不能將原信號(hào)不同頻率的信號(hào)特征有效地提取出來(lái)[5]。因此，從預(yù)測(cè)計(jì)算的時(shí)間、算法的復(fù)雜度以及誤差等方面考慮，并經(jīng)過(guò)多次實(shí)驗(yàn)驗(yàn)證后，本文最終選擇db3小波基對(duì)原始風(fēng)速進(jìn)行3層分解和重構(gòu)，如圖3所示。

圖3 原始風(fēng)速序列及小波分解Fig.3 Original wind speed and its wavelet decomposition

2.3 數(shù)據(jù)歸一化處理

對(duì)樣本進(jìn)行預(yù)處理有利于加快算法的收斂速度，提高預(yù)測(cè)的精度，對(duì)訓(xùn)練集和測(cè)試集進(jìn)行歸一化處理[12]，將原始數(shù)據(jù)規(guī)整在[0，1]范圍內(nèi)，則有

式中：x、y分別為歸一化前、后的風(fēng)速序列，x，y∈Rn；xmin=min（x）；xmax=max（x）。歸一化后，yi∈[0，1]，i=1，2，…，n。由于多分辨率分解后的高頻系數(shù)幅值較小，因此本文只對(duì)低頻部分?jǐn)?shù)據(jù)進(jìn)行歸一化，SVM預(yù)測(cè)后再進(jìn)行相應(yīng)的反歸一化。

2.4 支持向量機(jī)

支持向量機(jī)由Vapnik首先提出，其主要思想是建立一個(gè)分類超平面作為決策曲面，使得正例和反例之間的隔離邊緣被最大化。對(duì)于SVM回歸預(yù)測(cè)，算法將實(shí)際問(wèn)題通過(guò)非線性映射轉(zhuǎn)換到高維的特殊空間，在高維空間中做線性回歸來(lái)實(shí)現(xiàn)原空間中的非線性回歸。SVM能保證機(jī)器具有良好的推廣能力，同時(shí)也很好地解決了維數(shù)問(wèn)題，而且其算法復(fù)雜度與樣本維數(shù)無(wú)關(guān)。SVM體系結(jié)構(gòu)[7，12]如圖4所示。

圖4 SVM體系結(jié)構(gòu)Fig.4 Structure of SVM system

對(duì)于訓(xùn)練樣本集{（xi，yi），i=1，2，…，l}，其中xi∈Rn為輸入量；yi∈R為對(duì)應(yīng)的輸出；l為樣本數(shù)量。SVM的估計(jì)函數(shù)為

式中：φ（x）為從輸入控件到高維特征空間的非線性映射；ω為權(quán)向量；b為閾值。由最小化風(fēng)險(xiǎn)泛函得到目標(biāo)函數(shù)，即

用Lagrange乘子法求解，相應(yīng)的回歸函數(shù)可變換為

式中：αi、αi*為L(zhǎng)agrange乘子；K（xi，xj）為核函數(shù)，且K（xi，xj）=φ（xi）φ（xj）。因此，不需要知道非線性映射φ的具體形式，只要利用核函數(shù)就可以進(jìn)行非線性處理。對(duì)于函數(shù)回歸問(wèn)題，其決策函數(shù)就是核函數(shù)的線性組合，最終問(wèn)題是尋找一組組合系數(shù)（αi-即可[14]。

支持向量機(jī)常用的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)以及高斯核函數(shù)等。徑向基核函數(shù)具有參數(shù)少、數(shù)值限制條件少的優(yōu)點(diǎn)，可降低模型的復(fù)雜性。本文采用徑向基RBF核函數(shù)，其函數(shù)表達(dá)式[14]為

對(duì)采集的原始風(fēng)速數(shù)據(jù)只進(jìn)行SVM訓(xùn)練，輸出回歸預(yù)測(cè)風(fēng)速。訓(xùn)練集的實(shí)際風(fēng)速與預(yù)測(cè)風(fēng)速對(duì)比如圖5所示。其中，預(yù)測(cè)均方根誤差eMSE=14.34%，平均絕對(duì)百分比誤差eMAPE=9.60%。對(duì)未來(lái)24 h的風(fēng)速預(yù)測(cè)如圖6所示。

圖5 SVM回歸預(yù)測(cè)風(fēng)速Fig.5 Regression forecasting ofw ind speed with SVM

圖6 未來(lái)4 h預(yù)測(cè)風(fēng)速Fig.6 W ind speed in 4 hours

3 實(shí)例分析

3.1 MRA-SVM模型預(yù)測(cè)

對(duì)圖5的原始風(fēng)速數(shù)據(jù)進(jìn)行MRA-SVM預(yù)測(cè)，當(dāng)該模型的優(yōu)化參數(shù)與SVM模型的相同時(shí)，用圖1的模型結(jié)構(gòu)對(duì)風(fēng)速進(jìn)行多分辨率分析處理，得到實(shí)際數(shù)據(jù)與回歸預(yù)測(cè)數(shù)據(jù)的對(duì)比，如圖7所示。其中，預(yù)測(cè)均方根誤差eMSE=8.46%，平均絕對(duì)百分比誤差eMAPE=5.85%。

圖7 MRA-SVM回歸預(yù)測(cè)風(fēng)速Fig.7 Regression forecasting ofw ind speed with MRA-SVM

用訓(xùn)練后的MRA-SVM模型進(jìn)行對(duì)未來(lái)4 h的風(fēng)速進(jìn)行預(yù)測(cè)。同時(shí)對(duì)預(yù)測(cè)數(shù)據(jù)與SVM方法進(jìn)行比較，如圖8所示。

圖8 MRA-SVM與SVM模型的未來(lái)24 h風(fēng)速Fig.8 W ind speed in 24 hours with MRA-SVM and SVM

3.2 評(píng)價(jià)指標(biāo)及適應(yīng)性分析

為了衡量預(yù)測(cè)風(fēng)速的精確度，評(píng)價(jià)MRA-SVM模型的性能，本文采用的均方根相對(duì)誤差eRMSE和平均絕對(duì)百分比誤差eMAPE分別表示為式中：n為樣本總量；Xi和X^i分別為第i個(gè)點(diǎn)的實(shí)際風(fēng)速和預(yù)測(cè)風(fēng)速。

對(duì)比2種模型的評(píng)價(jià)指標(biāo)，即訓(xùn)練集與預(yù)測(cè)集的均方根誤差和平均絕對(duì)誤差，結(jié)果如表1所示。由表1可知，運(yùn)用MRA-SVM模型預(yù)測(cè)風(fēng)速的eRMSE和eMAPE分別為10.36%、8.81%，與SVM方法的預(yù)測(cè)指標(biāo)相比，明顯地提高了風(fēng)速的預(yù)測(cè)精度。

表1 34號(hào)風(fēng)機(jī)的SVM及MRA-SVM模型預(yù)測(cè)指標(biāo)Tab.1 Prediction index with SVM and MRA-SVM of generator No.34%

為驗(yàn)證模型是否具有普遍適應(yīng)性，本文對(duì)風(fēng)場(chǎng)不同的風(fēng)機(jī)在不同時(shí)段的風(fēng)速數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，證明回歸預(yù)測(cè)模型曲線均能較好地跟蹤實(shí)際風(fēng)速曲線。對(duì)35號(hào)風(fēng)機(jī)的未來(lái)4 h的風(fēng)速進(jìn)行預(yù)測(cè)的評(píng)價(jià)指標(biāo)如表2所示，由表2可知，用MRA-SVM模型對(duì)風(fēng)速預(yù)測(cè)的eRMSE和eMAPE分別為16.98%、11.47%，精確度要高于SVM模型的22.18%和17.27%。

表2 35號(hào)風(fēng)機(jī)的SVM及MRA-SVM模型預(yù)測(cè)指標(biāo)Tab.2 Prediction index with SVM and MRA-SVM of generator No.35%

通過(guò)對(duì)不同的數(shù)據(jù)進(jìn)行多次實(shí)驗(yàn)證明，該模型能提高預(yù)測(cè)的精確性，普遍適用于風(fēng)電場(chǎng)的短期風(fēng)速預(yù)測(cè)。

4 結(jié)語(yǔ)

針對(duì)風(fēng)電場(chǎng)隨機(jī)波動(dòng)的風(fēng)速，為提高其預(yù)測(cè)的準(zhǔn)確性，本文運(yùn)用了MRA-SVM模型對(duì)原始風(fēng)速進(jìn)行小波分解，降低風(fēng)速的非平穩(wěn)性，再運(yùn)用SVM方法對(duì)分解后的近似系數(shù)和細(xì)節(jié)系數(shù)分別進(jìn)行回歸預(yù)測(cè)并疊加，以此來(lái)提高模型的預(yù)測(cè)能力。通過(guò)對(duì)風(fēng)速進(jìn)行多分辨率分析，用平均絕對(duì)百分比誤差和均方根誤差2個(gè)指標(biāo)來(lái)評(píng)價(jià)，預(yù)測(cè)結(jié)果表明，該方法較單獨(dú)的SVM方法相比預(yù)測(cè)效果良好。與此同時(shí)，本文對(duì)不同的采樣數(shù)據(jù)進(jìn)行仿真，驗(yàn)證了模型的普遍適用性。

[1]楊秀媛，肖洋，陳樹(shù)勇（Yang Xiuyuan，Xiao Yang，Chen Shuyong）．風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)研究（Wind speed and generated power forecasting in wind farm）[J].中國(guó)電機(jī)工程學(xué)報(bào)（Proceedings of the CSEE），2005，25（11）：1-5．

[2]戴浪，黃守道，黃科元，等（Dai Lang，Huang Shoudao，Huang Keyuan，et al）．風(fēng)電場(chǎng)風(fēng)速的神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型（Combination forecasting model based on neural net works for wind speed in wind farm）[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)（Proceedings of the CSU-EPSA），2011，23（4）：27-31.

[3]羅文，王莉娜（LuoWen，Wang Lina）．風(fēng)場(chǎng)短期風(fēng)速預(yù)測(cè)研究（Short-term wind speed forecasting for wind farm）[J]．電工技術(shù)學(xué)報(bào)（Transactions of China Electrotechnical Society），2011，26（7）：68-74．

[4]李元誠(chéng)，方廷健，于爾鏗（LiYuancheng，F(xiàn)ang Tingjian，Yu Erkeng）．短期負(fù)荷預(yù)測(cè)的支持向量機(jī)方法研究（Study of support vector machines for short-term load forecasting）[J]．中國(guó)電機(jī)工程學(xué)報(bào)（Proceedings of the CSEE），2003，23（6）：55-59．

[5]師洪濤，楊靜玲，王金梅，等（Shi Hongtao，Yang Jingling，Wang Jinmei，et al）．基于小波-BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)方法（A short-term wind power prediction based on wavelet decomposition and BP neural network）[J]．電力系統(tǒng)自動(dòng)化（Automation of Electric Power Systems），2011，35（16）：44-48．

[6]黃文杰，傅礫，肖盛（HuangWenjie，F(xiàn)u Li，Xiao Sheng）．采用改進(jìn)模糊層次分析法的風(fēng)速預(yù)測(cè)模型（A predictive model of wind speed based on improved fuzzy analytical hierarchy process）[J]．電網(wǎng)技術(shù)（Power System Technology），2010，34（7）：164-168．

[7]吳國(guó)旸，肖洋，翁莎莎（Wu Guoyang，Xiao Yang，Weng Shasha）．風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)探討（Discussion about short-term forecast of wind speed on wind farm）[J]．吉林電力（Jilin Electric Power），2005，（6）：21-24．

[8]Sangitab P，Deshmukh SR．Use of support vector machine for wind speed prediction[C]//International Conference on Power and Energy Systems.Chennai，India：2011．

[9]Zeng Deliang，Liu Yu，Liu Jiwei，et al．Short-term wind speed forecasting based on wavelet tree decomposition and support vector machine regression[J]．Advances in Automation and Robotics，2011，123（2）：373-379．

[10]張彥寧，康龍?jiān)?，周世瓊，等（Zhang Yanning，Kang Longyun，Zhou Shiqiong，et al）．小波分析應(yīng)用于風(fēng)力發(fā)電預(yù)測(cè)控制系統(tǒng)中的風(fēng)速預(yù)測(cè)（Wavelet analysis applied to wind speed prediction in predicate control system of wind turbine）[J]．太陽(yáng)能學(xué)報(bào)（Acta Energiae Solaris Sinica），2008，29（5）：520-524．

[11]王曉蘭，王明偉（Wang Xiaolan，WangMingwei）．基于小波分解和最小二乘支持向量機(jī)的短期風(fēng)速預(yù)測(cè)（Short-term wind speed forecasting based on wavelet decomposition and least square support vector machine）[J]．電網(wǎng)技術(shù)（Power System Technology），2010，34（1）：179-184．

[12]彭春華，劉剛，孫惠娟（Peng Chunhua，Liu Gang，Sun Huijuan）．基于小波分解和微分進(jìn)化支持向量機(jī)的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)（Wind speed forecasting based on wavelet decomposition and differential evolution-support vector machine for wind farms）[J]．電力自動(dòng)化設(shè)備（Electric Power Automation Equipment），2012，32（1）：9-13．

[13]劉輝，田紅旗，李燕飛，等（Liu Hui，Tian Hongqi，LiYanfei，et al）．基于小波分析法與滾動(dòng)式時(shí)間序列法的風(fēng)電場(chǎng)風(fēng)速短期預(yù)測(cè)優(yōu)化算法（Short-term forecasting optimization algorithm for wind speed from wind farms based on wavelet analysis method and rolling time series method）[J]．中南大學(xué)學(xué)報(bào)：自然科學(xué)版（Journal of Central South University：Science and Technology），2010，41（1）：370-375．

[14]Zhang Huaqiang，Wang Xinsheng，Wu Yinxiao．Application of an improved SVM algorithm for wind speed forecasting[J]．Future Intelligent Information Systems，2011，86（1）：333-340．