專利名稱：：一種風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)方法，屬于電力信息
技術(shù)領(lǐng)域：
。
背景技術(shù)：
：風(fēng)力發(fā)電是未來幾年最有競(jìng)爭(zhēng)力的可再生能源。風(fēng)能儲(chǔ)量巨大，利用風(fēng)能來發(fā)電，不僅能減少環(huán)境污染，還能減小電力系統(tǒng)的燃料成本，帶來可觀的經(jīng)濟(jì)效益。但是風(fēng)能具有隨機(jī)性和間歇性，是一種不穩(wěn)定的能源。大型風(fēng)電機(jī)組的并網(wǎng)會(huì)給電力系統(tǒng)運(yùn)行帶來一些負(fù)面的影響，如傳統(tǒng)的電力系統(tǒng)調(diào)度、優(yōu)化潮流等都會(huì)碰到困難。對(duì)風(fēng)電進(jìn)行準(zhǔn)確的預(yù)測(cè)，能夠降低風(fēng)電對(duì)電網(wǎng)的影響，且預(yù)測(cè)精度越高，越能降低負(fù)面影響。但是由于風(fēng)能運(yùn)動(dòng)表現(xiàn)出很強(qiáng)的隨機(jī)性，人們難以掌握它的規(guī)律。近幾年來，人們借助自回歸_滑動(dòng)平均模型(ARMA)、神經(jīng)網(wǎng)絡(luò)、卡爾曼濾波以及模糊理論等方法對(duì)風(fēng)電場(chǎng)風(fēng)速短期預(yù)測(cè)進(jìn)行了探索，取得了一定的成果，其中以神經(jīng)網(wǎng)絡(luò)的研究應(yīng)用最為廣泛，相比其他幾種方法預(yù)測(cè)效果也較好。但上述這些方法也存在嚴(yán)重不足，即預(yù)測(cè)精度還不能達(dá)到令人滿意的程度。
發(fā)明內(nèi)容本發(fā)明所要解決的技術(shù)問題是提供一種新的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)方法。本發(fā)明的發(fā)明構(gòu)思是近年來，非線性科學(xué)的研究表明風(fēng)動(dòng)力系統(tǒng)具有很強(qiáng)的混沌特性。而現(xiàn)在所使用的風(fēng)速短期預(yù)測(cè)方法都沒有考慮風(fēng)動(dòng)力系統(tǒng)的混沌特性，這也是這些預(yù)測(cè)方法的預(yù)測(cè)精度不高的原因之一。本發(fā)明方法在充分考慮并挖掘了風(fēng)動(dòng)力系統(tǒng)的混沌特性的基礎(chǔ)上進(jìn)行風(fēng)速短期預(yù)測(cè)，使得風(fēng)速短期預(yù)測(cè)的精度更高。為此，本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是該風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)方法主要包括以下步驟(1)采集風(fēng)電場(chǎng)的風(fēng)速數(shù)據(jù)，形成歷史風(fēng)速的時(shí)間序列；(2)對(duì)歷史風(fēng)速的時(shí)間序列進(jìn)行歸一化處理；(3)運(yùn)用混沌分析方法對(duì)歸一化處理后的歷史風(fēng)速的時(shí)間序列進(jìn)行分析，以得到所述風(fēng)電場(chǎng)所在區(qū)域的風(fēng)動(dòng)力系統(tǒng)的相空間重構(gòu)參數(shù)，該相空間重構(gòu)參數(shù)為所述時(shí)間序列的延遲時(shí)間和嵌入維數(shù)；(4)利用所述相空間重構(gòu)參數(shù)對(duì)歸一化處理后的歷史風(fēng)速的時(shí)間序列進(jìn)行處理，得到用于風(fēng)速預(yù)測(cè)的支持向量回歸模型所需的訓(xùn)練樣本集；(5)采用所述訓(xùn)練樣本集對(duì)所述支持向量回歸模型進(jìn)行訓(xùn)練；(6)利用訓(xùn)練后的支持向量回歸模型對(duì)風(fēng)電場(chǎng)進(jìn)行短期風(fēng)速預(yù)測(cè)，得到風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)的歸一化結(jié)果；(7)對(duì)所得的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)的歸一化結(jié)果進(jìn)行反歸一化處理，得到風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)結(jié)果。進(jìn)一步地，本發(fā)明所述歷史風(fēng)速的時(shí)間序列中相鄰風(fēng)速數(shù)據(jù)點(diǎn)之間的采集間隔時(shí)間為1060min。進(jìn)一步地，本發(fā)明在所述步驟(3)中，所述時(shí)間序列的延遲時(shí)間使用互信息法得到，所述時(shí)間序列的嵌入維數(shù)使用關(guān)聯(lián)積分法得到。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是本發(fā)明提出了一種新的風(fēng)速預(yù)測(cè)方法與處理流程，由混沌分析確定模型的訓(xùn)練樣本集，通過訓(xùn)練樣本集得到最佳的預(yù)測(cè)模型，從而保證所得到的風(fēng)速預(yù)測(cè)誤差達(dá)到最小。風(fēng)速預(yù)測(cè)長(zhǎng)期以來一直得不到較好的預(yù)測(cè)效果，主要因?yàn)轱L(fēng)速本身的規(guī)律很難尋找，它具有很強(qiáng)的隨機(jī)性特點(diǎn)。而混沌分析為我們提供了一個(gè)很好的方法，相比于其他傳統(tǒng)方法，它更能捕捉風(fēng)能復(fù)雜的運(yùn)動(dòng)規(guī)律，為建立一個(gè)好的風(fēng)速短期預(yù)測(cè)模型提供有效的參數(shù)。本發(fā)明提出的風(fēng)速短期預(yù)測(cè)方法能夠很好的解決目前風(fēng)速預(yù)測(cè)的難題，具有以下優(yōu)點(diǎn)(l)利用混沌分析對(duì)風(fēng)速數(shù)據(jù)自身的規(guī)律進(jìn)行挖掘，然后根據(jù)風(fēng)速變化規(guī)律建立預(yù)測(cè)模型，使得模型的建立更有針對(duì)性，更能表現(xiàn)風(fēng)速時(shí)間序列自身所特有的規(guī)律，因此在進(jìn)行短期風(fēng)速預(yù)測(cè)時(shí)得到的預(yù)測(cè)結(jié)果的精度也更高；(2)該預(yù)測(cè)模型數(shù)據(jù)需求單一，只需要?dú)v史風(fēng)速時(shí)間序列數(shù)據(jù)，相對(duì)容易得到，且當(dāng)訓(xùn)練樣本數(shù)據(jù)量較少時(shí)也能得到較高的預(yù)測(cè)精度，這更加降低了對(duì)數(shù)據(jù)的要求；(3)計(jì)算簡(jiǎn)單，預(yù)測(cè)模型訓(xùn)練與預(yù)測(cè)耗費(fèi)的時(shí)間短，耗費(fèi)的資源也少。圖1是本發(fā)明使用互信息法獲得時(shí)間序列的延遲時(shí)間的流程圖。圖2是本發(fā)明使用關(guān)聯(lián)積分法獲得時(shí)間序列的嵌入維數(shù)的流程圖。具體實(shí)施例方式本發(fā)明風(fēng)電場(chǎng)的風(fēng)速進(jìn)行短期預(yù)測(cè)按以下步驟進(jìn)行步驟(1)，采集安裝在風(fēng)電場(chǎng)的測(cè)風(fēng)速設(shè)備所記錄的風(fēng)速數(shù)據(jù)，按照采集時(shí)間點(diǎn)的先后順序排列形成歷史風(fēng)速的時(shí)間序列數(shù)據(jù)。歷史風(fēng)速的時(shí)間序列中相鄰風(fēng)速數(shù)據(jù)點(diǎn)之間的采集間隔時(shí)間可在1060min范圍內(nèi)任意取值，每個(gè)歷史風(fēng)速的時(shí)間序列中數(shù)據(jù)采集間隔時(shí)間是固定的。以該歷史風(fēng)速的時(shí)間序列作為本預(yù)測(cè)方法的原始數(shù)據(jù)。其中，歷史風(fēng)速的時(shí)間序列可按下式(1)表達(dá)X=(x(t)，t=1，2，，N.}(1)式(1)中，X表示歷史風(fēng)速時(shí)間序列，x(t)表示該時(shí)間序列中各風(fēng)速數(shù)據(jù)點(diǎn)的風(fēng)速值，t表示風(fēng)速數(shù)據(jù)點(diǎn)按時(shí)間排序后的序號(hào)，N為時(shí)間序列的風(fēng)速數(shù)據(jù)點(diǎn)個(gè)數(shù)。步驟(2)，對(duì)上述形成的歷史風(fēng)速的時(shí)間序列原始數(shù)據(jù)進(jìn)行歸一化處理，即將歷史風(fēng)速數(shù)據(jù)換算到[O，l]范圍內(nèi)的相對(duì)風(fēng)速，按下式(2)所示的方法進(jìn)行歸一化處理x'(t)=x(t)/x隨，t=1，，N.(2)式(2)中，x'(t)為各風(fēng)速數(shù)據(jù)點(diǎn)的風(fēng)速值歸一化后的結(jié)果，x(t)表示該時(shí)間序列中各風(fēng)速數(shù)據(jù)點(diǎn)的風(fēng)速值，t表示風(fēng)速數(shù)據(jù)點(diǎn)按時(shí)間排序后的序號(hào)，N為時(shí)間序列的風(fēng)速數(shù)據(jù)點(diǎn)個(gè)數(shù)，xmax為歷史風(fēng)速時(shí)間序列中的風(fēng)速最大值。歸一化后的歷史風(fēng)速時(shí)間序列可按下式(3)表達(dá)X'={x'(t)，t=1，2，，N.}(3)式(3)中，X'表示歸一化后的歷史風(fēng)速時(shí)間序列，x'(t)為各風(fēng)速數(shù)據(jù)點(diǎn)的風(fēng)速值歸一化后的結(jié)果，t表示風(fēng)速數(shù)據(jù)點(diǎn)按時(shí)間排序后的序號(hào)，N為時(shí)間序列的風(fēng)速數(shù)據(jù)點(diǎn)個(gè)log{^}(6)""力=-SO(0，力.)"。g化X0，力.)]〉(7)式(4)到式(7)中，H()是熵函數(shù)，Px[x(i)]為x(i)的概率密度，Py[y(j)]為的概率密度，P,y[x(i)，y(J)]為[x(i)，y(j)]的概率密度。計(jì)算延遲時(shí)間時(shí)，取t值從l開始以步長(zhǎng)等于l整數(shù)增加，同時(shí)計(jì)算每個(gè)t值對(duì)應(yīng)的互信息函數(shù)I值，獲得一系列的(t，1)值，做It關(guān)系圖。I的第一極小值所對(duì)應(yīng)的t，(8)M=N-(m-l)t(9)式(8)到式(9)中，M為時(shí)間序列轉(zhuǎn)換到相空間中后點(diǎn)的個(gè)數(shù)，e為Heaviside單位函數(shù)，即0O)".f""'在式(7)中，x二r-l|X'(i)-X'(j)Il，N為時(shí)間序列的風(fēng)速pif;c〉0.數(shù)據(jù)點(diǎn)個(gè)數(shù)，m為嵌入維數(shù)，t為步驟a)中得到的延遲時(shí)間。要得到嵌入維數(shù)，需先獲得關(guān)聯(lián)維數(shù)。恰當(dāng)?shù)倪x取r，可以得到關(guān)聯(lián)維數(shù)D=logC(r)/logr(10)計(jì)算關(guān)聯(lián)維數(shù)的具體步驟為第一步，取嵌入維數(shù)m=2，給定一組具體的r值，如取r=(如最后獲得的結(jié)果不滿意，可重新選取r值，取更稀疏的值或者更密集的值)，根據(jù)式(8)和式(9)得到與每個(gè)r值對(duì)應(yīng)的C(r)值，然后根據(jù)式(10)取雙對(duì)數(shù)關(guān)系logC(r)logr中的直線段，用最小二乘法進(jìn)行擬合，得出一條最佳直線，該直線的斜率數(shù)值就是取嵌入維數(shù)m=2時(shí)對(duì)應(yīng)的關(guān)聯(lián)指數(shù)；第二步，嵌入維數(shù)在第一步的基礎(chǔ)上增加1，即m=3，重復(fù)第一步的過程，得到m=3時(shí)的關(guān)聯(lián)指數(shù)；第三步，m=4，重復(fù)第一步過程，得到m=4時(shí)的關(guān)聯(lián)指數(shù)；……(m繼續(xù)增加，并重復(fù)以上過程)。關(guān)聯(lián)指數(shù)會(huì)隨著嵌入維數(shù)的增加而增大，最后達(dá)到一飽和值，即關(guān)聯(lián)指數(shù)增加到一定值后，嵌入維數(shù)繼續(xù)增大，但關(guān)聯(lián)指數(shù)保持不變，這個(gè)飽和值就是關(guān)聯(lián)維數(shù)D，最后根據(jù)m^2D+l，即系統(tǒng)的合適的嵌入維數(shù)m的值取大于等于(2D+1)的最小整數(shù)。需要說明的是，本發(fā)明除了使用互信息法得到時(shí)間序列的延遲時(shí)間t、使用關(guān)聯(lián)積分法得到時(shí)間序列的嵌入維數(shù)m，還可以使用自相關(guān)法得到時(shí)間序列的延遲時(shí)間t、使用真實(shí)矢量場(chǎng)法或者Cao方法得到時(shí)間序列的嵌入維數(shù)m。步驟(4)，利用步驟(3)得到的相空間重構(gòu)參數(shù)對(duì)步驟(2)得到的歸一化處理后的歷史風(fēng)速的時(shí)間序列進(jìn)行處理，得到用于風(fēng)速預(yù)測(cè)的支持向量回歸模型所需的訓(xùn)練樣本集。訓(xùn)練樣本集包括訓(xùn)練輸入矩陣和訓(xùn)練輸出矩陣。訓(xùn)練輸入矩陣由M(M為時(shí)間序列轉(zhuǎn)換到相空間中后點(diǎn)的個(gè)數(shù)，由式(9)得到)條單個(gè)訓(xùn)練輸入數(shù)據(jù)，訓(xùn)練輸出矩陣由M條單個(gè)訓(xùn)練輸出數(shù)據(jù)組成，M條單個(gè)訓(xùn)練輸出數(shù)據(jù)分別與M條單個(gè)訓(xùn)練輸入數(shù)據(jù)對(duì)應(yīng)。單個(gè)訓(xùn)練輸入數(shù)據(jù)包含預(yù)測(cè)點(diǎn)前m(步驟(3)中互獲得的嵌入維數(shù))個(gè)風(fēng)速歸一化值，即[x'(t-m)，x'(t-m+l)，...，x'(t-l)];而單個(gè)輸出數(shù)據(jù)為預(yù)測(cè)點(diǎn)風(fēng)速數(shù)據(jù)，S卩x'(t)。即訓(xùn)練輸入矩陣為MXm階，訓(xùn)練輸出矩陣為MX1階。步驟(5)，采用步驟(4)得到的訓(xùn)練樣本集對(duì)支持向量回歸模型進(jìn)行訓(xùn)練。支持向量回歸模型的優(yōu)化問題可概括為支持向量回歸模型的基本原理是通過某一非線性函數(shù)小()將非線性訓(xùn)練樣本集數(shù)據(jù)X'映射到一個(gè)高維特征空間，在這個(gè)維數(shù)可能為無窮大的線性空間中構(gòu)造回歸估計(jì)函數(shù)，估計(jì)函數(shù)形式為f(X)=WT(t(X)+b(11)使用e-insensitive損失函數(shù)，最優(yōu)化問題為min『T『++1.)(12)式(12)的約束條件如下表達(dá)式<formula>formulaseeoriginaldocumentpage6</formula><formula>formulaseeoriginaldocumentpage6</formula>(13)式(11)到式(13)中，W為權(quán)重向量，它的維數(shù)為特征空間維數(shù)，b為偏置量，C為正則項(xiàng)系數(shù)，1j和^為松弛變量，e為不敏感損失參數(shù)，N為訓(xùn)練樣本個(gè)數(shù)。式(12)的最優(yōu)解可以通過求解以下對(duì)偶問題來獲得<formula>formulaseeoriginaldocumentpage6</formula>(14)<formula>formulaseeoriginaldocumentpage6</formula>式(14)的約束條件如下表達(dá)式<formula>formulaseeoriginaldocumentpage6</formula>(15)式(14)到(15)中，ai和a/為L(zhǎng)agrange乘子。以上的最優(yōu)化問題可通過標(biāo)準(zhǔn)的二次規(guī)劃算法得到。求解式(11)到式(15)，最后可得如下支持向量回歸模型<formula>formulaseeoriginaldocumentpage7</formula>式(16)中，p為非零支持向量個(gè)數(shù)，K(*)為核函數(shù)，表示映射函數(shù)間的內(nèi)積，即K(X，X》=〈(HX)，小(Xi)〉，X和Xi表示映射函數(shù)，b為偏置量。本發(fā)明所述支持向量回歸模型的核函數(shù)采用高斯核函數(shù)，即核函數(shù)=exp(-11X—f'1|2)，式中X和&表示映射函數(shù)，o為寬度參數(shù)。模型以步驟(4)得到的訓(xùn)練樣本集為訓(xùn)練數(shù)據(jù)，訓(xùn)練的過程可以描述為以訓(xùn)練樣本集的訓(xùn)練輸入矩陣作為支持向量回歸模型的輸入X，以訓(xùn)練輸出矩陣作為模型的輸出f(X)，通過本步驟上述描述的求解過程求解式(11)到式(15)，最終得到式(16)中的各項(xiàng)未知參數(shù)，這時(shí)便得到訓(xùn)練完的風(fēng)電場(chǎng)的風(fēng)速短期預(yù)測(cè)模型。步驟(6)，利用訓(xùn)練后的支持向量回歸模型對(duì)風(fēng)電場(chǎng)短期風(fēng)速進(jìn)行預(yù)測(cè)。預(yù)測(cè)時(shí)，以當(dāng)前時(shí)刻前的m(步驟(3)中獲得的嵌入維數(shù))個(gè)風(fēng)速數(shù)據(jù)點(diǎn)組成預(yù)測(cè)輸入數(shù)據(jù)，即若當(dāng)前時(shí)刻為t，則預(yù)測(cè)輸入數(shù)據(jù)為X'=[x'(t-m+l)，x'(t-m+2)，...，x'(t)]，輸入預(yù)測(cè)模型后，輸出數(shù)據(jù)即為下一時(shí)刻即(t+l)時(shí)刻的風(fēng)速預(yù)測(cè)值f(X')。因?yàn)檩斎霐?shù)據(jù)為歸一化后的風(fēng)速值，因此得到的預(yù)測(cè)值為風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)的歸一化值。步驟(7)，對(duì)所得到的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)的歸一化值進(jìn)行反歸一化處理。具體地說，將風(fēng)速預(yù)測(cè)的歸一化值乘以Xmax(Xmax為歷史風(fēng)速時(shí)間序列中的風(fēng)速最大值)，即得到風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)結(jié)果。以某風(fēng)電場(chǎng)取得的歷史風(fēng)速數(shù)據(jù)為原始數(shù)據(jù)，取其中的25天的風(fēng)速歷史數(shù)據(jù)，分別以采集間隔時(shí)間為10min、20min、30min、40min、50min、60min生成6組歷史風(fēng)速的時(shí)間序列，依次表示為^，X2，X3，X4，X5，Xe。分別驗(yàn)證這6組時(shí)間序列的預(yù)測(cè)精度，并與應(yīng)用較廣的神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)法相比較。其中，采用相對(duì)均方根誤差函數(shù)(RRMSE)來度量預(yù)測(cè)精度，函數(shù)形式如下<formula>formulaseeoriginaldocumentpage7</formula>上式(17)中，^為預(yù)測(cè)得到的值，y為風(fēng)速實(shí)測(cè)值，n為預(yù)測(cè)點(diǎn)的個(gè)數(shù)。所得到的相對(duì)均方根誤差函數(shù)值越小，證明預(yù)測(cè)效果越好，預(yù)測(cè)精度就越高。所得預(yù)測(cè)結(jié)果如表1所不<table>tableseeoriginaldocumentpage8</column></row><table>由表1中的對(duì)比數(shù)據(jù)可知，本發(fā)明所提出預(yù)測(cè)方法的相對(duì)均方根誤差在6組數(shù)據(jù)的預(yù)測(cè)結(jié)果的比較中都要低于應(yīng)用廣泛的神經(jīng)網(wǎng)絡(luò)方法，即本發(fā)明所提出的一種風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)方法的預(yù)測(cè)精度要優(yōu)于神經(jīng)網(wǎng)絡(luò)短期風(fēng)速預(yù)測(cè)法。權(quán)利要求一種風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)方法，其特征是包括以下步驟(1)采集風(fēng)電場(chǎng)的風(fēng)速數(shù)據(jù)，形成歷史風(fēng)速的時(shí)間序列；(2)對(duì)歷史風(fēng)速的時(shí)間序列進(jìn)行歸一化處理；(3)運(yùn)用混沌分析方法對(duì)歸一化處理后的歷史風(fēng)速的時(shí)間序列進(jìn)行分析，以得到所述風(fēng)電場(chǎng)所在區(qū)域的風(fēng)動(dòng)力系統(tǒng)的相空間重構(gòu)參數(shù)，該相空間重構(gòu)參數(shù)為所述時(shí)間序列的延遲時(shí)間和嵌入維數(shù)；(4)利用所述相空間重構(gòu)參數(shù)對(duì)歸一化處理后的歷史風(fēng)速的時(shí)間序列進(jìn)行處理，得到用于風(fēng)速預(yù)測(cè)的支持向量回歸模型所需的訓(xùn)練樣本集；(5)采用所述訓(xùn)練樣本集對(duì)所述支持向量回歸模型進(jìn)行訓(xùn)練；(6)利用訓(xùn)練后的支持向量回歸模型對(duì)風(fēng)電場(chǎng)進(jìn)行短期風(fēng)速預(yù)測(cè)，得到風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)的歸一化結(jié)果；(7)對(duì)所得的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)的歸一化結(jié)果進(jìn)行反歸一化處理，得到風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)結(jié)果。2.根據(jù)權(quán)利要求1所述的一種風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)方法，其特征是所述歷史風(fēng)速的時(shí)間序列中相鄰風(fēng)速數(shù)據(jù)點(diǎn)之間的采集間隔時(shí)間為1060min。3.根據(jù)權(quán)利要求1所述的一種風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)方法，其特征是在所述步驟(3)中，所述時(shí)間序列的延遲時(shí)間使用互信息法得到，所述時(shí)間序列的嵌入維數(shù)使用關(guān)聯(lián)積分法得到。全文摘要本發(fā)明公開了一種新的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)方法，包括以下步驟采集風(fēng)電場(chǎng)的風(fēng)速數(shù)據(jù)，形成歷史風(fēng)速的時(shí)間序列并進(jìn)行歸一化處理；運(yùn)用混沌分析方法對(duì)歸一化處理后的歷史風(fēng)速的時(shí)間序列進(jìn)行分析，以得到風(fēng)電場(chǎng)所在區(qū)域的風(fēng)動(dòng)力系統(tǒng)的相空間重構(gòu)參數(shù)，所述參數(shù)為時(shí)間序列的延遲時(shí)間和嵌入維數(shù)；利用所述參數(shù)對(duì)歸一化處理后的歷史風(fēng)速的時(shí)間序列進(jìn)行處理，得到用于風(fēng)速預(yù)測(cè)的支持向量回歸模型所需的訓(xùn)練樣本集；采用訓(xùn)練樣本集對(duì)支持向量回歸模型進(jìn)行訓(xùn)練；利用訓(xùn)練后的支持向量回歸模型對(duì)風(fēng)電場(chǎng)進(jìn)行短期風(fēng)速預(yù)測(cè)，得到風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)的歸一化結(jié)果；對(duì)所得的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)的歸一化結(jié)果進(jìn)行反歸一化處理，得到風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)結(jié)果。文檔編號(hào)G01P5/00GK101793907SQ20101914603公開日2010年8月4日申請(qǐng)日期2010年2月5日優(yōu)先權(quán)日2010年2月5日發(fā)明者吳棟梁,李彥柳,王揚(yáng),白峪豪,鄭曉,郭創(chuàng)新申請(qǐng)人:浙江大學(xué)