基于k-means聚类的SVR短期风速预测
发布时间：2020-02-20 11:58
【摘要】：准确的风速预测是风力发电功率预测的重要基础。为了进一步提高风速预测精度,文章提出一种基于k-means聚类的支持向量回归机(SVR)的短期风速组合预测新方法。首先分析影响风速变化的因素,计算不同风速属性相对于风速序列的皮尔逊相关系数(PCC)值,并对其进行加权;然后采用k-means聚类方法对风速样本进行聚类;再利用SVR针对每组样本建模;最后结合实际风电场进行仿真,结果表明,该方法具有较高的准确性和可行性。
【图文】：
Vo=[vo1，…，vok，…，von]（3）ρi=nk=1Σ（vik-vi）（vok-vo）nk=1Σ（vik-vi）2nk=1Σ（vok-vo）2姨（4）式中：vi为第i个变量序列的均值；vok为在第k时刻的风速值；vo为风速时间序列的均值；n为样本个数。根据PCC值可计算各输入属性的权值σi。σi=ρimi=1Σρi（5）2k-means聚类本文选用2006年美国风能数据中心的实测数据为训练样本，采用k-means聚类算法将风速属性样本进行分类[16]，以提高风速预测的精度，流程图如图1所示。采用交叉验证法确定聚类数k，基于上述步骤将风速属性样本分为k组，再针对每组分别构建风速预测模型。3构建SVR风速组合预测模型3.1SVRVapnik在1995年首次提出支持向量机（SVM），通过将核函数映射到高维空间解决了线性不可分的问题[9]。在此基础上，Vapnik引入了ε不敏感损失函数，得到了支持向量回归机（supportvectormachineforregression，SVR），并将其用于回归预测。SVR应用于回归拟合分析，其基本思想是寻找一个最优分类面使所有训练样本离该最优分类面的误差最小[17]。设给定训练集样本对为{（xi，yi），i=1，2，…，p}，其中，xi（xi∈Rd）是第i个训练样本的输入向量，xi=[xi1，xi2，，…，xid]T，yi∈R为对应的输出值。设在高维特征空间中建立的线性回归函数为f（x）=wφ（x）+b（6）式中：φ（x）为非线性映射函数；w和b为函数系数。引入ε，则线性不敏感损失函数为L[f（x），y，ε]=0，y-f（x）≤εy-f（x）-ε，y-f（x）＞ε（7）式中：ε为不敏感损失参数；f（x）为预测值；y为对应的真实值。考虑到存在不满足
≤≤≤≤≤≤≤≤≤≤≤≤≤≤≤≤≤≤≤≤≤式中：Nnsv为支持向量个数。可得到基于SVR风速预测的拟合回归模型：f（x）=w*φ（x）+b*=li=1Σ（αi-αi*）φ（xi）φ（x）+b*=li=1Σ（αi-αi*）K（xi,xj）+b*（14）其中，只有部分参数（αi-αi*）不为零，其对应的样本xi即为支持向量。3.2构建风速组合预测模型由于风速影响属性因素众多，对风速属性样本集合进行聚类分析，可构建风速组合预测模型，如图2所示。将预测风速值进行反归一处理：yi′=yi（max{xj}-min{xj}）+min{xj}j=1，2，…，*N（15）式中：yi为第i个时刻的预测数据；yi′为第i个时刻反归一化后的预测数据；N为预测样本个数。为了验证预测风速的准确性，本文选用平均绝对百分比误差（eMAPE）和均方根误差（eRMSE）作为评价指标。（13）图2风速预测流程图Fig.2Theflowchartofwindspeedforecasting规范化和归一化预处理原始数据属性加权训练数据集SVR模型待预测数据数据类别判断k-mesns聚类聚类1聚类k风速预测值SVR1SVRk……·1680·可再生能源2017，35（11）
本文编号：2581324
【图文】：
Vo=[vo1，…，vok，…，von]（3）ρi=nk=1Σ（vik-vi）（vok-vo）nk=1Σ（vik-vi）2nk=1Σ（vok-vo）2姨（4）式中：vi为第i个变量序列的均值；vok为在第k时刻的风速值；vo为风速时间序列的均值；n为样本个数。根据PCC值可计算各输入属性的权值σi。σi=ρimi=1Σρi（5）2k-means聚类本文选用2006年美国风能数据中心的实测数据为训练样本，采用k-means聚类算法将风速属性样本进行分类[16]，以提高风速预测的精度，流程图如图1所示。采用交叉验证法确定聚类数k，基于上述步骤将风速属性样本分为k组，再针对每组分别构建风速预测模型。3构建SVR风速组合预测模型3.1SVRVapnik在1995年首次提出支持向量机（SVM），通过将核函数映射到高维空间解决了线性不可分的问题[9]。在此基础上，Vapnik引入了ε不敏感损失函数，得到了支持向量回归机（supportvectormachineforregression，SVR），并将其用于回归预测。SVR应用于回归拟合分析，其基本思想是寻找一个最优分类面使所有训练样本离该最优分类面的误差最小[17]。设给定训练集样本对为{（xi，yi），i=1，2，…，p}，其中，xi（xi∈Rd）是第i个训练样本的输入向量，xi=[xi1，xi2，，…，xid]T，yi∈R为对应的输出值。设在高维特征空间中建立的线性回归函数为f（x）=wφ（x）+b（6）式中：φ（x）为非线性映射函数；w和b为函数系数。引入ε，则线性不敏感损失函数为L[f（x），y，ε]=0，y-f（x）≤εy-f（x）-ε，y-f（x）＞ε（7）式中：ε为不敏感损失参数；f（x）为预测值；y为对应的真实值。考虑到存在不满足
≤≤≤≤≤≤≤≤≤≤≤≤≤≤≤≤≤≤≤≤≤式中：Nnsv为支持向量个数。可得到基于SVR风速预测的拟合回归模型：f（x）=w*φ（x）+b*=li=1Σ（αi-αi*）φ（xi）φ（x）+b*=li=1Σ（αi-αi*）K（xi,xj）+b*（14）其中，只有部分参数（αi-αi*）不为零，其对应的样本xi即为支持向量。3.2构建风速组合预测模型由于风速影响属性因素众多，对风速属性样本集合进行聚类分析，可构建风速组合预测模型，如图2所示。将预测风速值进行反归一处理：yi′=yi（max{xj}-min{xj}）+min{xj}j=1，2，…，*N（15）式中：yi为第i个时刻的预测数据；yi′为第i个时刻反归一化后的预测数据；N为预测样本个数。为了验证预测风速的准确性，本文选用平均绝对百分比误差（eMAPE）和均方根误差（eRMSE）作为评价指标。（13）图2风速预测流程图Fig.2Theflowchartofwindspeedforecasting规范化和归一化预处理原始数据属性加权训练数据集SVR模型待预测数据数据类别判断k-mesns聚类聚类1聚类k风速预测值SVR1SVRk……·1680·可再生能源2017，35（11）
【相似文献】
相关期刊论文 前1条
1 杨帆;冯翔;阮羚;陈俊武;夏荣;陈昱龙;金志辉;;基于皮尔逊相关系数法的水树枝与超低频介损的相关性研究[J];高压电器;2014年06期
本文编号：2581324
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/2581324.html
