[发明专利]一种基于四参数混合核函数LSSVM的短时风速预测方法

说明书

本发明涉及一种基于四参数混合核函数LSSVM的短时风速预测方法，包括以下步骤：选取一段风速数据，并利用经验小波分解(EWT)及自适应阈值处理对数据进行预处理，以减弱噪声干扰；构建基于RBF和poly的混合核函数LSSVM，以同时提升模型的学习和泛化能力；借助布谷鸟算法对所构建的混合核函数LSSVM的四个参数进行迭代寻优，以求解最优的参数；在确定LSSVM模型后，最终输入数据并完成预测。

技术领域

本发明涉及风电场风速预测技术领域，更具体的是，本发明涉及四参数混合核函数 LSSVM的短时风速预测方法。

背景技术

由于能源需求的增加，风力发电作为一种环境和可再生能源，引起了全世界的广泛关注。 然而，风速的波动和间歇性会对风力发电系统造成一些不必要的损坏。因此，对风速进行可 靠准确的预测是非常重要的。

目前，提高风速预测精度的方法一般分为物理模型、传统统计模型和人工智能模型。最 小二乘支持向量机(LSSVM)由于具有很强的泛化能力和较小的样本处理能力，在风速预测 中得到了广泛的应用。但单一的核函数在处理复杂的风速数据时，不能很好的适应风速变化， 限制了预测精度。因此，需要进一步改进算法，提高模型预测精度。

发明内容

本发明涉及一种基于四参数混合核函数LSSVM的短时风速预测方法，在借助EWT算法 减弱噪声干扰的基础下，通过构建混合核函数LSSVM模型并利用布谷鸟算法确定模型的四 个参数，最终实现短时风速的更准确预测。

本发明提供的技术方案为：

一种基于四参数混合核函数LSSVM的短时风速预测方法，包括如下步骤：

步骤1：获取一组风速数据，进行EWT变换将信号分解为多个分量，并设计自适应阈值 函数对各分量进行处理；

步骤2：构建基于RBF和poly的混合核函数最小二乘支持向量机(LSSVM)；

步骤3：借助布谷鸟算法对所构建的混合核函数LSSVM的四个参数进行迭代寻优；

步骤4：在确定LSSVM模型后，最终输入数据并完成预测。

优选的是：所述步骤1中：对风速数据进行EWT变换：

所述尺度函数与被测信号内积得到尺度系数：

经验小波函数与被测信号内积得到经验小波系数：

其中，W(k,t)被定义为在第t时刻第k个滤波器；

优选的是：所述尺度函数公式为：

所述经验小波函数公式为：

其中，N为频谱最大值的个数，最大值所对应的频率为ω_i(i＝1,2,3…,N)； α(γ,ωⁱ)＝β[(1/2γωⁱ)-(1-γ)ωⁱ]，γ为保证两个连续变换不重叠的参数，β(x)为满足如下的 函数：

优选的是：所述步骤1中：设计的自适应阈值函数为：

其中，W_k,t是是第k个模块的经验小波系数；是阈 值之后的系数；T_k是与噪声方差相关的阈值；sgn(*)代表符号函数。