[发明专利]一种基于数据挖掘技术和改进支持向量机的风电预测算法

说明书

本发明公开了基于数据挖掘技术和改进支持向量机的风电预测算法，所述风电预测算法包括以下步骤：步骤1：数据处理；对错误和缺失的原始数据进行处理，采用小波变换对处理后的原始数据进行去噪分析，得出一组可信性较高的新数据；步骤2：参数初始化；确定支持向量机算法的核参数σ²和惩罚因子C；步骤3：参数优化；通过布谷鸟搜索算法对支持向量机算法的核参数σ²和惩罚因子C进行迭代优化；步骤4：支持向量机的构建，通过步骤3的布谷鸟搜索算法得到最佳参数，构建支持向量机；步骤5：根据支持向量机算法的步骤对支持向量机训练进行风电预测；步骤6：输出风力发电预测结果。

技术领域

本发明涉及电力系统应用管理技术领域，特别是涉及基于数据挖掘技术和改进支持向量机的风电预测算法。

背景技术

目前，针对风力发电预测的研究，大部分学者把研究精力集中在了统计模型研究和物理模型研究两种研究方法上。虽然这两种方法都能够对风力发电情况进行预测，但是两者从本质上而言才能在较大的区别。前者是对风力发电的历史数据进行重点研究，根据历史数据预测下一阶段的风机运行情况，得出风力发电值，如AR、MA、ARMA等方法。而物理模型主要是以气象信息数据等作为独立的变量，构建出风力发电曲线，从而模拟预测出下一阶段的值，这种方法对于数据收集和数据精度具有很强的依赖性。然而，随着信息技术的发展，监控与数据采集系统(SCADA)已被广泛应用于风力涡轮机的监控和获取气象、发电等各种数据源。由于数据极其庞大和复杂，传统的预测方法已经不适用，需要改进来处理大数据。所以一些新的智能算法，如神经网络、粒子群优化算法和SVM等就得到了快速发展，这其中SVM算法由于其能够有效解决分类及复杂的非线性规划问题，在风速预测、发电量预测等方面得到了广泛应用。如何对核参数和惩罚因子进行优化是SVM算法研究中的关键问题，不同方法得到的参数能够对预测结果产生不同的影响。

由于信息系统的不稳定和传感器缺陷，将会产生大量的数据错误和遗漏。因此，如何从大量数据中提取正确的信息，如何利用有价值的信息来处理不合理的数据，仍然是亟待解决的问题。

因此希望有一种数据挖掘技术和DM-WT-CS-SVM的风力发电预测算法能够解决现有技术中SVM算法对核参数和惩罚因子进行合理参数优化的问题。

发明内容

本发明的目的在于提供一种基于数据挖掘技术和DM-WT-CS-SVM的风力发电预测算法，其基于DM技术对原始数据进行校正，并作为一种有效的信号处理方法，采用WT方法进行降噪，最后利用SVM进行风电功率预测，利用CS 算法对参数进行优化。

本发明公开了一种基于数据挖掘技术和DM-WT-CS-SVM的风力发电预测算法，所述风力发电预测算法包括以下步骤：

步骤1：数据处理；收集原始数据，并对错误和缺失的原始数据进行处理，之后采用小波变换对处理后的原始数据进行去噪分析，得出一组可信性较高的新数据，小波变换的公式如下：

频信号的集合，Details_j＝Approx_j-approx_j-1表示原始信号的周期性变化信息，DWT为离散小波变换，m为比例因子，n＝1,2,…,N为取样时间，N为样本总量，ψ(x)为小波函数；

步骤2：参数初始化；确定支持向量机算法的核参数σ²和惩罚因子C；

步骤3：参数优化；通过布谷鸟搜索算法对支持向量机算法的核参数σ²和惩罚因子C进行迭代优化，适应度函数如下:

其中n训练集的样本容量，y_i是训练集的输出，是对应的优化结果；

步骤4：支持向量机的构建，通过步骤3的布谷鸟搜索算法得到最佳参数，构建支持向量机；