基于小波变换的ARMA-LSSVM短期风速预测

doi:10.11930/j.issn.1004-9649.2012.4.78.3

中国电力 ›› 2012, Vol. 45 ›› Issue (4): 78-81.DOI: 10.11930/j.issn.1004-9649.2012.4.78.3

基于小波变换的ARMA-LSSVM短期风速预测

赵辉¹, 李斌¹, 李彪², 岳有军¹

1. 天津理工大学天津市复杂控制理论与应用重点实验室,天津 300384;
2. 陕西长岭纺织机电科技有限公司,陕西宝鸡 721013

收稿日期:2011-08-23 修回日期:2011-12-10 出版日期:2012-04-18 发布日期:2016-02-29
作者简介:赵辉（1963-）,男,天津人,博士,教授,从事电力电子控制技术研究。
基金资助:
国家高技术研究发展计划（863计划）资助项目（2007AA041401）; 天津市高等学校科技发展基金资助项目（2006ZD32）

Short-term wind speed forecasting model based on ARMA-LSSVM and wavelet transform

ZHAO Hui¹, LI Bin¹, LI Biao², YUE You-jun¹

1.Tianjin Key Laboratory for Control Theory & Applications in Complicated System, Tianjin University of Technology, Tianjin 300384, China;
2. Shaanxi Changling Textile Mechanical & Electronic Technology Co., Ltd., Baoji 721013, China

Received:2011-08-23 Revised:2011-12-10 Online:2012-04-18 Published:2016-02-29

摘要/Abstract

摘要： 对风电场风速的准确预测,可以有效减轻并网后风电对电网的影响,提高风电市场竞争力。提出将时间序列自回归滑动平均模型（Auto Regressive Moving Average, ARMA）与最小二乘支持向量机模型（Least Square Support Vector Machine,LS-SVM）相结合的混合模型短期风速预测方法。采用小波变换（Wavelet Transform,WT）方法将历史风速序列分解成具有不同频率特征的序列。根据分解后各分量的特点,对于低频趋势分量选取LS-SVM方法进行预测,而高频波动分量则选取ARMA模型进行预测,采用小波重构得到最终预测结果。仿真实例表明,不同的预测方法整体的预测精度不同,而混合模型预测的均方根误差最低为11.5%,与单一预测方法相比,混合模型提高了预测精度。

关键词: 短期风速预测, 小波变换, 时间序列, 最小二乘支持向量机

Abstract: A wind speed forecasting with high accuracy can effectively reduce or avoid the adverse effect of wind farm on power grids, meanwhile it can enhance the competitive ability of wind power in electricity market. A short-term wind speed forecasting method based on auto-regressive moving average （ARMA） model and least square support vector machine （LS-SWM） model was proposed. By using wavelet transform method, the historical load data was decomposed into series with different frequency characteristics. The low frequency components were predicted by LS-SVM model, while the high frequency components were predicted by ARMA model. The final forecasting results were obtained with wavelet reconstruction. Research results show that the prediction accuracy is different from each method. The mean square error of the proposed hybrid forecast model is 11.5%, better than the results by single forecasting methods.

Key words: short-term wind speed forecasting, wavelet transform, time series, least square support vector machine

中图分类号:

TM614

赵辉, 李斌, 李彪, 岳有军,. 基于小波变换的ARMA-LSSVM短期风速预测[J]. 中国电力, 2012, 45(4): 78-81.

ZHAO Hui¹, LI Bin¹, LI Biao², YUE You-jun¹. Short-term wind speed forecasting model based on ARMA-LSSVM and wavelet transform[J]. Electric Power, 2012, 45(4): 78-81.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.electricpower.com.cn/CN/10.11930/j.issn.1004-9649.2012.4.78.3

https://www.electricpower.com.cn/CN/Y2012/V45/I4/78

参考文献

[1] 王秋瑾,张新房. 基于WLS-SVM 的变速风力机有效风速估计[J]. 系统仿真学报,2005,17（7）：1590-1593.
WANG Qiu-jin,ZHANG Xin-fang. Effective wind speed estimation for variable speed wind turbines based on WLS-SVM[J]. Journal of System Simulation,2005,17（7）：1590-1593.
[2] WAN Y H, BUCANEG J D. Short-term power fluctuations of large wind power plants [J]. Journal of Solar Energy Engineering, 2002（124）: 427-431.
[3] 李晶,宋家骅,王伟胜.大型变速恒频风力发电机组建模与仿真[J]. 中国电机工程学报,2004,24（6）：100-105.
LI Jing, SONG Jia-hua, WANG Wei-sheng. Modeling and dynamic simulation of variable speed wind turbine with large capacity[J]. Proceedings of the CSEE, 2004, 24（6）: 100-105.
[4] MICHAEL M, MARC S, WAN Y. Statistical wind power forecasting for U.S. wind farms [C]//The 84th American Meteorological Society （AMS） Annual Meeting. Paris, France, 2004：2292-2296.
[5] 孙春顺,王耀南,李欣然. 小时风速的向量自回归模型及应用[J]. 中国电机工程学报,2008,28（14）：112-117.
SUN Chun-shun,WANG Yao-nan,LI Xin-ran. A vector autoregression model of hourly wind speed and its applications in hourly wind speed forecasting[J]. Proceedings of the CSEE, 2008, 28（14）: 112-117.
[6] 蔡凯,谭伦农,李春林,等. 时间序列与神经网络法相结合的短期风速预测[J]. 电网技术,2008,32（8）：82-85.
CAI Kai,TAN Lun-nong,LI Chun-lin, et al . Short-term wind speed forecasting combing time series and neural network method[J]. Power System Technology,2008,32（8）：82-85.
[7] 潘迪夫,刘辉,李燕飞. 基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型[J]. 电网技术,2008,32（7）：82-86.
PAN Di-fu,LIU Hui,LI Yan-fei. A wind speed forecasting optimization model for wind farms based on time series analysis and Kalman filter algorithm[J].Power System Technology,2008,32（7）：82-86.
[8] 王丽婕,冬雷,廖晓钟,等. 基于小波分析的风电场短期发电功率预测[J]. 中国电机工程学报,2009,29（28）：30-33.
WANG Li-jie, DONG Lei, LIAO Xiao-zhong, et al . Short-term power prediction of a wind farm based on wavelet analysis[J]. Proceedings of the CSEE, 2009, 29（28）: 30-33.
[9] DENNY E,O'MALLEY M.Wind generation power system operation and emissions reduction[J]. IEEE Transactions on Power Systems, 2006, 21（1）: 341-347.
[10] 王晓兰,王明伟. 基于小波分解和最小二乘支持向量机的短期风速预测[J]. 电网技术,2010,34（1）：180-183.
WANG Xiao-lan, WANG Ming-wei. Short-term wind speed forecasting based on wavelet decomposition and least square support vector machine[J]. Power System Technology,2010,34（1）：180-183.
[11] HSU C W, CHANG C C, LIN C J. A practical guide to support vector classification[D]. Taipei: National Taiwan University, 2009：26-32.
[12] 罗海洋,刘天琪,李兴源. 风电场短期风速的混沌预测方法[J].电网技术,2009,33（9）：67-71.
LUO Hai-yang,LIU Tian-qi,LI Xing-yuan. Chaotic forecasting method of short-term wind speed in wind farm[J]. Power System Technology, 2009, 33（9）: 67-71.
[13] 王新生,吴吟箫,何川. 基于风速预测的最大风能追踪控制系统仿真[J]. 电机与控制学报,2010,14（2）：20-24.
WANG Xin-sheng, WU Yin-xiao, HE Chuan. Simulation of wind speed estimation for MPPT control[J]. Electric Machines and Control, 2010, 14（2）: 20-24.

[1]	田宝江, 李岩, 廖晓玉, 杜兴伟, 段文岩. 基于小波变换检测信号奇异性的多厂站信息同步方案[J]. 中国电力, 2024, 57(12): 188-197.
[2]	周颖, 白雪峰, 王阳, 邱敏, 孙冲, 武亚杰, 李彬. 面向虚拟电厂运营的温度敏感负荷分析与演变趋势研判[J]. 中国电力, 2024, 57(1): 9-17.
[3]	徐一伦, 张彬桥, 黄婧, 谢枭, 王若昕, 沈丹青, 何丽娜, 杨凯帆. 考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测[J]. 中国电力, 2023, 56(2): 143-149.
[4]	徐浩, 刘利强, 吕超. 基于迁移学习的配电网内部过电压识别方法[J]. 中国电力, 2021, 54(8): 52-59.
[5]	王新刚, 朱彬若, 顾臻. 基于综合能源计量大数据的中长期用电量预测[J]. 中国电力, 2021, 54(10): 211-216.
[6]	王志杰, 朱晓星, 王锡辉, 王志鹏. 基于LSSVM的汽轮机阀门流量特性辨识及应用[J]. 中国电力, 2020, 53(9): 189-194.
[7]	李媛, 郑安刚, 谭煌, 陈昊, 程淑亚, 蔡慧, 王黎欣. 基于时间序列的电能表月故障数预测方法[J]. 中国电力, 2020, 53(6): 72-80.
[8]	程瑛颖, 杜杰, 周全, 张家铭, 张晓勇, 李刚. 基于随机矩阵理论和聚类算法的电能表运行状态评估方法[J]. 中国电力, 2020, 53(11): 116-125.
[9]	胡坚, 刘超. 基于引力搜索算法与LSSVM的机组初压优化[J]. 中国电力, 2019, 52(6): 160-165.
[10]	左智科, 陈国彬, 刘超, 牛培峰. 基于CNGWO-LSSVM的汽轮机热耗率预测模型[J]. 中国电力, 2018, 51(8): 148-153.
[11]	张涛，孙晓伟，史苏怡，李振兴. 基于QPSO-LSSVM的风电场超短期功率预测[J]. 中国电力, 2016, 49(3): 183-187.
[12]	刘建华，刘鹏飞，姜颖先，李天玉，周明平，唐全. 基于LabVIEW的智能变电站便携式电能质量监测装置[J]. 中国电力, 2016, 49(2): 102-108.
[13]	蒋小平，葛畅，桂萌. 基于小波变换的分布式发电孤岛检测方法[J]. 中国电力, 2016, 49(10): 142-147.
[14]	陶新民，李震，张越. 基于DSP的变压器振动信号的小波能量谱熵提取[J]. 中国电力, 2015, 48(8): 37-41.
[15]	秦鹏，赵峰. 应用贝叶斯框架的LS-SVM概率输出诊断电力变压器故障[J]. 中国电力, 2015, 48(5): 41-45.

基于小波变换的ARMA-LSSVM短期风速预测

Short-term wind speed forecasting model based on ARMA-LSSVM and wavelet transform

PDF (PC)

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

模态框（Modal）标题

基于小波变换的ARMA-LSSVM短期风速预测

Short-term wind speed forecasting model based on ARMA-LSSVM and wavelet transform

PDF (PC)

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics