基于提升小波和最小二乘支持向量機的風電功率預測.pdf

1、隨著社會和經濟的快速發(fā)展，傳統(tǒng)的化石燃料等不可再生資源越來越短缺，尋找可替代的清潔能源成了可持續(xù)發(fā)展的重要前提。其中，風電作為資源豐富的清潔能源，得到了廣泛關注，但是風的波動性和強隨機性增加了風電開發(fā)利用的難度。如果可以準確對風電功率進行預測，則可以有效降低風電資源開發(fā)利用的難度，從而在風電并網時大幅度降低經濟成本。
　　本文在風電功率預測過程的不同階段分別運用提升小波分解(LWT)、支持向量機(SVM)和誤差預測(EF)的預測方

2、法。該方法通過 LWT分解原始功率數據，可以去除風電原始功率數據中的明顯噪聲，得到了風電功率部分變化特征，弱化了風電的不確定性；預測過程則采用SVM方法對分解信號進行訓練預測，保證了預測精度和速度；為了減少較大誤差點的出現(xiàn)，在初步預測之后增加誤差預測環(huán)節(jié)來校正預測結果，可以進一步有效減小預測誤差，提高預測結果的穩(wěn)定性和準確性。將建立的提升小波-支持向量機-誤差預測(LWT-SVM-EF)的風電功率預測模型運用于內蒙古某風電場，仿真結果進

3、一步驗證了該方法對風電功率預測的適用性。為了進一步優(yōu)化LWT-SVM-EF的預測方法，采用最小二乘支持向量機(LSSVM)方法對LWT分解得到的信號進行訓練和預測，建立了基于提升小波-最小二乘支持向量機-誤差預測(LWT-LSSVM-EF)的風電功率預測模型。與傳統(tǒng) SVM的二次規(guī)劃方法不同，LSSVM方法采用最小二乘線性系統(tǒng)作為損失函數，降低了預測誤差，優(yōu)化了預測結果，也簡化了計算的復雜性。仿真結果表明，LWT-LSSVM-EF方法的