基于提升小波和最小二乘支持向量机的风电功率预测-电气工程专业论文.docx

上海交通大学工学硕士学位论文摘要 上海交通大学工学硕士学位论文 摘要 万方数据 万方数据 基于提升小波和最小二乘支持向量机 的风电功率预测 摘 要 随着社会和经济的快速发展，传统的化石燃料等不可再生资源越 来越短缺，寻找可替代的清洁能源成了可持续发展的重要前提。其中， 风电作为资源丰富的清洁能源，得到了广泛关注，但是风的波动性和 强随机性增加了风电开发利用的难度。如果可以准确对风电功率进行 预测，则可以有效降低风电资源开发利用的难度，从而在风电并网时 大幅度降低经济成本。 为了建立有效的风电功率预测模型，本文在风电功率预测过程的 不同阶段分别运用提升小波分解(LWT)、支持向量机(SVM)和误差预 测(EF)的预测方法。该方法通过 LWT 分解原始功率数据，可以去除 风电原始功率数据中的明显噪声，得到了风电功率部分变化特征，弱 化了风电的不确定性；预测过程则采用 SVM 方法对分解信号进行训 练预测，保证了预测精度和速度；为了减少较大误差点的出现，在初 步预测之后增加误差预测环节来校正预测结果，可以进一步有效减小 预测误差，提高预测结果的稳定性和准确性。将建立的提升小波-支 持向量机-误差预测(LWT-SVM-EF)的风电功率预测模型运用于内蒙 古某风电场，仿真结果进一步验证了该方法对风电功率预测的适用 性。 第 I 页 第 第 II 页 万方数据 为了进一步优化 LWT-SVM-EF 的预测方法，采用最小二乘支持 向量机(LSSVM)方法对 LWT 分解得到的信号进行训练和预测，建立 了基于提升小波-最小二乘支持向量机-误差预测(LWT-LSSVM-EF)的 风电功率预测模型。与传统 SVM 的二次规划方法不同，LSSVM 方 法采用最小二乘线性系统作为损失函数，降低了预测误差，优化了预 测结果，也简化了计算的复杂性。仿真结果表明，LWT-LSSVM-EF 方法的预测结果优于 LWT-SVM-EF 的预测结果，应用于风电功率预 测时可以取得理想的预测效果。 最后，基于上述两种有效的预测算法，借助 MATLAB 的 GUI 平 台开发风电功率预测软件。该软件界面设计合理，操作简单，功能齐 全，整合了多种预测方法。 关键字：提升小波(LWT)，最小二乘支持向量机(LSSVM)，误差预测 (EF)，风电功率预测，预测软件系统 上海交通大学工学硕士学位论文ABS 上海交通大学工学硕士学位论文 ABSTRACT 第 第 PAGE VII 页 万方数据 WIND POWER FORECASTING BASED ON LWT AND LSSVM METHOD ABSTRACT Sustainable development is advocated today, so how to use clean energy has become a prerequisite for social development. Among them, the wind power, which has rich resources as a clean energy, has been concerned widespread. However, the strong volatility and randomness of wind has brought great difficulties in the development. If the wind power can be predicted accurately, the operating costs of wind power systems can be reduced, in which way wind power will be made use of better and better. In order to find an effective way to predict the wind power, this paper will present Lifting Wavelet Transform (LWT), Support Vector Machine (SVM) and Error Forecasting (EF) methods in different stages of wind power forecasting process. LWT can not only play a de-noising effect, but also can extract the main variation of wind power; SVM is used to predict decomposition. The forecast