楊 茂，陳新鑫，張 強(qiáng)，李大勇，孫 涌，賈云彭

(1.東北電力大學(xué) 電氣工程學(xué)院，吉林 吉林 132012；2.國(guó)網(wǎng)吉林省電力有限公司通化供電公司，吉林 通化 130022；3.國(guó)網(wǎng)淄博供電公司，山東 淄博 25500；4.國(guó)網(wǎng)吉林供電公司 客戶服務(wù)中心計(jì)量室，吉林 吉林 132012)

基于支持向量機(jī)的短期風(fēng)速預(yù)測(cè)研究綜述

楊 茂1，陳新鑫1，張 強(qiáng)1，李大勇2，孫 涌3，賈云彭4

(1.東北電力大學(xué) 電氣工程學(xué)院，吉林 吉林 132012；2.國(guó)網(wǎng)吉林省電力有限公司通化供電公司，吉林 通化 130022；3.國(guó)網(wǎng)淄博供電公司，山東 淄博 25500；4.國(guó)網(wǎng)吉林供電公司 客戶服務(wù)中心計(jì)量室，吉林 吉林 132012)

介紹了支持向量機(jī)(SVM)的理論基礎(chǔ)，從兩個(gè)方面歸納了目前國(guó)內(nèi)外支持向量機(jī)算法在短期風(fēng)速預(yù)測(cè)應(yīng)用中的現(xiàn)狀。首先，介紹了確定性支持向量機(jī)的預(yù)測(cè)方法：使用數(shù)據(jù)挖掘算法結(jié)合支持向量機(jī)的預(yù)測(cè)模型和對(duì)核函數(shù)參數(shù)改進(jìn)優(yōu)化的支持向量機(jī)預(yù)測(cè)模型。其次，介紹了結(jié)合模糊、粗糙和未確知等不確定性支持向量機(jī)的預(yù)測(cè)方法。對(duì)現(xiàn)有支持向量機(jī)在短期風(fēng)速預(yù)測(cè)的應(yīng)用現(xiàn)狀介紹后，分析了SVM核函數(shù)的選取和參數(shù)優(yōu)化對(duì)預(yù)測(cè)精度影響的問(wèn)題，最后展望了基于支持向量機(jī)的短期風(fēng)速預(yù)測(cè)研究的前景。

短期風(fēng)速預(yù)測(cè)；支持向量機(jī)；確定性；核函數(shù)；參數(shù)優(yōu)化

隨著化石能源的日益匱乏，可再生能源如風(fēng)能的開(kāi)發(fā)將成為改善氣候以及重構(gòu)能源結(jié)構(gòu)的重要手段。截止到2015年，中國(guó)的風(fēng)電總裝機(jī)容量為145.1 GW，位居世界第一。依據(jù)國(guó)家能源局發(fā)布的關(guān)于可再生能源開(kāi)發(fā)的目標(biāo)，至2050年前后，風(fēng)機(jī)總裝機(jī)容量將達(dá)到4億kW-5億kW，屆時(shí)風(fēng)電將占總發(fā)電總能的1/5左右，成為主力電源之一[1-2]。隨著區(qū)域大規(guī)模的風(fēng)電接入電網(wǎng)，對(duì)電力系統(tǒng)的安全穩(wěn)定性運(yùn)行提出更高的要求，風(fēng)電的準(zhǔn)確預(yù)測(cè)可以為電網(wǎng)的發(fā)電調(diào)度提供有利的參考。風(fēng)電預(yù)測(cè)包括風(fēng)速的預(yù)測(cè)以及風(fēng)速轉(zhuǎn)換為電能的預(yù)測(cè)，分開(kāi)處理兩種不同機(jī)理的不確定性，可以提高風(fēng)電的預(yù)測(cè)精度[3]。所以，本文僅針對(duì)風(fēng)速的預(yù)測(cè)進(jìn)行討論。

從科學(xué)研究的范式角度來(lái)討論[4]，風(fēng)速的預(yù)測(cè)方法可分為統(tǒng)計(jì)型方法[5]、一致性方法[6]、因果型方法[7]和混合型方法[8]。統(tǒng)計(jì)型方法的前提為：天氣未來(lái)的演化統(tǒng)計(jì)規(guī)律要和樣本窗口內(nèi)相同，依賴大量歷史統(tǒng)計(jì)數(shù)據(jù)且對(duì)數(shù)據(jù)的完整性要求較高，因此該方法一般用于風(fēng)速短期預(yù)測(cè)。目前常用的統(tǒng)計(jì)方法包括卡爾曼濾波法[9]、時(shí)間序列法[10-11]、智能算法[12-14]、模糊邏輯法[15]以及支持向量機(jī)法[16-17]等。一致性方法即持續(xù)法，不需要建模和歷史風(fēng)速數(shù)據(jù)，只是將當(dāng)前時(shí)刻的實(shí)測(cè)風(fēng)速值作為下個(gè)時(shí)刻的風(fēng)速預(yù)測(cè)值，因此不能反應(yīng)風(fēng)速的變化趨勢(shì)[18]。因果型方法也稱為物理方法，不依賴歷史統(tǒng)計(jì)數(shù)據(jù)，通過(guò)結(jié)合地理位置、環(huán)境的等條件進(jìn)行分析研究，從而建立風(fēng)速的預(yù)測(cè)模型，適用于中長(zhǎng)期預(yù)測(cè)[19]?；旌闲头椒ㄊ菍⒔y(tǒng)計(jì)型方法和因果型方法相結(jié)合起來(lái)的方法，但是兩種方法優(yōu)勢(shì)的結(jié)合受阻于融合技術(shù)細(xì)節(jié)上的困難。

目前統(tǒng)計(jì)型方法類型較多，研究的熱度很高，本文針對(duì)其結(jié)構(gòu)風(fēng)險(xiǎn)最小化的支持向量機(jī)法展開(kāi)了討論。利用支持向量機(jī)泛化能力好的特點(diǎn)來(lái)構(gòu)建短期風(fēng)速預(yù)測(cè)模型，避免了交叉檢驗(yàn)的盲目性，提高了建模的效率[20]。隨著短期風(fēng)速預(yù)測(cè)的研究的深入，傳統(tǒng)支持向量機(jī)的預(yù)測(cè)效果逐漸失去優(yōu)越性。本文從確定性向量機(jī)的預(yù)測(cè)、不確定性向量機(jī)的預(yù)測(cè)兩個(gè)方面對(duì)基于SVM的短期風(fēng)速預(yù)測(cè)方法進(jìn)行介紹。最后，從提高風(fēng)速預(yù)測(cè)的精度出發(fā)，探討了核函數(shù)的選取和預(yù)測(cè)模型的參數(shù)優(yōu)化對(duì)預(yù)測(cè)精度的影響，最后對(duì)支持向量機(jī)在風(fēng)速預(yù)測(cè)中的發(fā)展方向進(jìn)行了展望。

1 支持向量機(jī)理論

支持向量機(jī)(SVM)是Vapnik等人基于統(tǒng)計(jì)學(xué)理論構(gòu)建的一種機(jī)器學(xué)習(xí)算法[21]。SVM具有良好的泛化能力，適合處理小樣本問(wèn)題；避免了人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)確定難和容易陷入局部最優(yōu)問(wèn)題，并克服了維數(shù)災(zāi)難等問(wèn)題[22]。

支持向量機(jī)回歸基本思想是：將輸入空間的數(shù)據(jù)X通過(guò)一個(gè)非線性映射，映射到高維特征空間M中,并在這個(gè)特征空間進(jìn)行非線性回歸分析，找到一個(gè)最優(yōu)的函數(shù)f(x)，從而利用f(x)根據(jù)輸入量X預(yù)測(cè)輸出量Y[23]。

對(duì)于給定訓(xùn)練樣本集：T={(x1,y1),(x2,y2),...,(xn,yn)}，其中xi∈Rd(R為實(shí)數(shù)域，d為維數(shù))，i=1,2,...,n，為了考慮真實(shí)值和預(yù)測(cè)值之間的偏差，引入不敏感損失參數(shù)ε，形式如公式(1)：

(1)

其中：f(x)為預(yù)測(cè)值；y為相應(yīng)的真實(shí)值；ε>0作為損失參數(shù)，受損失函數(shù)的敏感程度的影響。

對(duì)于線性回歸估計(jì)函數(shù)

f(x)=wTφ(x)+b，

(2)

考慮到結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原則，回歸最優(yōu)化問(wèn)題如公式(3)：

(3)

式中：C為懲罰因子；ε為損失函數(shù)。

Lagrange乘子把公式(3)有條件的最值問(wèn)題轉(zhuǎn)化為無(wú)約束條件的二次規(guī)劃問(wèn)題求解。二次規(guī)劃問(wèn)題可以避免在局部最優(yōu)點(diǎn)收斂，根據(jù)鞍點(diǎn)定理將上述問(wèn)題轉(zhuǎn)化為對(duì)偶問(wèn)題，提出：

(4)

求解上式，得到最優(yōu)解α*=(α1,α1*,...,αn,αn*),通過(guò)最優(yōu)解可以推導(dǎo)出w和b，最終求得回歸函數(shù)為公式(5)：

(5)

引入核函數(shù)處理上式得到最優(yōu)回歸函數(shù)(6)：

(6)

式中：K(x·xi)為核函數(shù)，常用的核函數(shù)有：多項(xiàng)式核函數(shù)，Sigmoid核函數(shù)，高斯徑向基(RBF)核函數(shù)和傅立葉級(jí)數(shù)核函數(shù)[24]。

2 基于確定性支持向量機(jī)的預(yù)測(cè)

支持向量機(jī)雖然泛化能力強(qiáng)，但也存在一定的局限性。SVM預(yù)測(cè)精度受風(fēng)速間歇性、波動(dòng)性影響較大，訓(xùn)練樣本的選取會(huì)影響到預(yù)測(cè)的精度，可以通過(guò)對(duì)輸入樣本進(jìn)行處理來(lái)提高預(yù)測(cè)精度[20]。目前單預(yù)測(cè)模型得到的短期風(fēng)速預(yù)測(cè)誤差較大，大約為30%左右[25]。由此可見(jiàn)，單預(yù)測(cè)模型的預(yù)測(cè)精度已不能滿足實(shí)際需求，利用不同模型的優(yōu)勢(shì)建立組合預(yù)測(cè)模型將成為研究趨勢(shì)。

實(shí)際風(fēng)速的波動(dòng)雖然劇烈，但也有一定的周期分量，文獻(xiàn)[26]利用小波變換將波動(dòng)性強(qiáng)的風(fēng)速數(shù)據(jù)進(jìn)行多層分解后，利用SVM各個(gè)分解后的信號(hào)分別建模，進(jìn)行超前4小時(shí)的滾動(dòng)預(yù)測(cè)，最后將各個(gè)預(yù)測(cè)結(jié)果疊加得到最終的預(yù)測(cè)結(jié)果。該模型預(yù)測(cè)結(jié)果較單一的SVM預(yù)測(cè)模型的平均誤差減小了4.66%，預(yù)測(cè)精度有很大的提高。影響SVM預(yù)測(cè)精度的因素有很多，模型本身就是其中一種。文獻(xiàn)[27]提出了用最小二乘法支持向量機(jī)(LS-SVM)代替SVM對(duì)風(fēng)電場(chǎng)短期風(fēng)速進(jìn)行提前1h預(yù)測(cè)。其中最小二乘法支持向量機(jī)避免了標(biāo)準(zhǔn)SVM在二次凸規(guī)劃問(wèn)題中求解繁瑣的問(wèn)題，將不等式約束問(wèn)題轉(zhuǎn)化為線性方程組求解，大大提高了其收斂速度。預(yù)測(cè)結(jié)果顯示，該模型比標(biāo)準(zhǔn)SVM預(yù)測(cè)模型的平均絕對(duì)百分比誤差降低了1.04%，證明了LS-SVM在短期風(fēng)速預(yù)測(cè)中的有效性。文獻(xiàn)[28]提出一種小波分解結(jié)合LS-SVM的混合短期風(fēng)速預(yù)測(cè)模型。通過(guò)該模型對(duì)風(fēng)速進(jìn)行預(yù)測(cè)的平均相對(duì)誤差了降低2.5%，再次體現(xiàn)小波分解對(duì)預(yù)測(cè)精度的提高起很大作用。文獻(xiàn)[29]運(yùn)用SARIMA(Seasonal Auto-Regression Integrated Moving Average)模型建模，根據(jù)最小二乘法支持向量機(jī)理論對(duì)得到的殘差進(jìn)行建模預(yù)測(cè)，修正之后得到最終的預(yù)測(cè)結(jié)果。結(jié)果表明，季節(jié)自回歸滑動(dòng)平均與最小二乘支持向量機(jī)(SARIMA-LSSVM)的組合模型，提高了LS-SVM模型的預(yù)測(cè)精度。

針對(duì)風(fēng)速呈現(xiàn)非平穩(wěn)性的波動(dòng)特點(diǎn)，文獻(xiàn)[30]先對(duì)風(fēng)速序列進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)得到若干不同特征尺度的序列，在結(jié)合SVM對(duì)不同序列分別預(yù)測(cè)，將各個(gè)預(yù)測(cè)結(jié)果疊加得到原風(fēng)速序列的預(yù)測(cè)風(fēng)速，最后經(jīng)過(guò)標(biāo)準(zhǔn)風(fēng)功率曲線得到最終的預(yù)測(cè)功率。進(jìn)行了提前2h的風(fēng)電功率預(yù)測(cè)，結(jié)果顯示該組合方法相比于標(biāo)準(zhǔn)SVM預(yù)測(cè)結(jié)果的平均百分比誤差降低了5.8%，得出EMD-SVM組合預(yù)測(cè)模型的預(yù)測(cè)精度明顯高于標(biāo)準(zhǔn)SVM模型。

SVM模型的性能受其核函數(shù)參數(shù)設(shè)置的影響很大。SVM模型的具體核函數(shù)參數(shù)包括：懲罰因子C和核函數(shù)寬度σ。常見(jiàn)的核函數(shù)參數(shù)選擇的方法有：網(wǎng)格搜索法，微分進(jìn)化法，遺傳算法、粒子群算法、混沌優(yōu)化等，其中后三種方法的尋優(yōu)速度相對(duì)更快更有效[31-32]。文獻(xiàn)[32-33]分別利用遺傳優(yōu)化和蟻群優(yōu)化算法對(duì)LS-SVM的模型核參數(shù)進(jìn)行優(yōu)化，兩種模型的預(yù)測(cè)結(jié)果顯示，平均絕對(duì)誤差分別為8.32%和9.53%，相對(duì)于傳統(tǒng)25%-40%誤差水平有很大的改善。由于以上模型參數(shù)只是依據(jù)混沌理論中相空間重構(gòu)的概念來(lái)確定，并不是根據(jù)實(shí)際預(yù)測(cè)模型來(lái)選取最優(yōu)解，這就會(huì)降低預(yù)測(cè)精度。

3 基于不確定性支持向量機(jī)的預(yù)測(cè)

不確定性SVM結(jié)合了不確定性理論如粗糙集、灰色、相似和模糊等理論，能有效解決各種分類、回歸、聚類等不確定性前提下的問(wèn)題。目前，不確定性支持向量機(jī)的研究正處于快速發(fā)展階段。

為了減小SVM預(yù)測(cè)模型的學(xué)習(xí)復(fù)雜度，文獻(xiàn)[34]根據(jù)粗糙集理論對(duì)影響負(fù)荷的各種因素進(jìn)行約簡(jiǎn)，并通過(guò)約簡(jiǎn)后的因素建立SVM負(fù)荷預(yù)測(cè)模型，預(yù)測(cè)結(jié)果表明該模型達(dá)到負(fù)荷預(yù)測(cè)的要求并有較高精度。文獻(xiàn)[35]將灰色關(guān)聯(lián)度方法運(yùn)用到最小二乘支持向量機(jī)模型中，利用灰色模型對(duì)原始數(shù)據(jù)需求少、建模和運(yùn)算簡(jiǎn)單等優(yōu)點(diǎn)，提高短期負(fù)荷預(yù)測(cè)的精度。文獻(xiàn)[36]利用相似數(shù)據(jù)理論來(lái)提高SVM的預(yù)測(cè)精度。從大量風(fēng)速數(shù)據(jù)中提取與訓(xùn)練樣本相似度最高的數(shù)據(jù)作為訓(xùn)練樣本，建立相似數(shù)據(jù)結(jié)合小波分析的混合SVM短期風(fēng)速預(yù)測(cè)模型，對(duì)建立的預(yù)測(cè)模型進(jìn)行訓(xùn)練，從而提高預(yù)測(cè)的精度。結(jié)果顯示，采用相似數(shù)據(jù)建模得到的平均相對(duì)誤差相對(duì)于非相似數(shù)據(jù)建模降低了17%，說(shuō)明采用相似數(shù)據(jù)建模有效提高了預(yù)測(cè)的精度。

混沌相空間重構(gòu)技術(shù)是預(yù)測(cè)風(fēng)速非平穩(wěn)隨機(jī)特性的新興算法[37]。文獻(xiàn)[38]根據(jù)混沌相空間重構(gòu)技術(shù)，確定了SVM的特征提取參數(shù)中的嵌入維數(shù)d和時(shí)間延遲τ，建立基于混沌理論與SVM相結(jié)合的短期風(fēng)速預(yù)測(cè)模型。測(cè)試結(jié)果顯示，該模型的預(yù)測(cè)精度要優(yōu)于人工神經(jīng)網(wǎng)絡(luò)，證明此預(yù)測(cè)模型的有效性。文獻(xiàn)[39]利用最大熵原理來(lái)確定特征提取參數(shù)，從而選取訓(xùn)練樣本，建立貝葉斯框架下的最小二乘支持向量機(jī)模型進(jìn)行短期風(fēng)速預(yù)測(cè)。提前2h的風(fēng)速預(yù)測(cè)結(jié)果的平均相對(duì)誤差為11.04%，比標(biāo)準(zhǔn)SVM的誤差減少3.23%，說(shuō)明混沌理論的引入一定程度上提高了預(yù)測(cè)模型的預(yù)測(cè)精度。

隨著短期風(fēng)速預(yù)測(cè)研究的深入，傳統(tǒng)SVM逐漸顯現(xiàn)出泛化能力不足的問(wèn)題，如對(duì)數(shù)據(jù)本身含有的噪聲比較敏感等。針對(duì)SVM泛化能力不足的問(wèn)題，文獻(xiàn)[40]提出了一種模糊流形支持向量機(jī)，利用模糊技術(shù)對(duì)不同樣本分類處理，從而到達(dá)降噪的目的；利用流形判別來(lái)提高支持向量機(jī)的性能。日前風(fēng)速預(yù)測(cè)的結(jié)果顯示，該模型的平均絕對(duì)誤差相比于LS-SVM降低了1.85%，一定程度上證明了該方法的有效性。

4 支持向量機(jī)應(yīng)用于短期風(fēng)速預(yù)測(cè)的關(guān)鍵技術(shù)評(píng)述

4.1 核函數(shù)的選取

支持向量機(jī)在分類和回歸問(wèn)題中的廣泛應(yīng)用得益于核函數(shù)的引入。核函數(shù)將原樣本空間映射到高維空間，通過(guò)轉(zhuǎn)換特征空間有效解決了樣本分類和回歸難的問(wèn)題。核函數(shù)的選取對(duì)SVM預(yù)測(cè)模型的預(yù)測(cè)性能影響很大[25]。

Mercer定理是確定函數(shù)K(x,y)是否符合核函數(shù)要求的條件，確定核函數(shù)的同時(shí)也要充分發(fā)掘訓(xùn)練樣本的分布特征[41]。核函數(shù)的選取一直沒(méi)有定論，應(yīng)用最廣泛的是徑向基核函數(shù)(RBF)，但它存在著對(duì)樣本區(qū)分度不夠和局部泛化風(fēng)險(xiǎn)的問(wèn)題[42]。文獻(xiàn)[30]通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)將風(fēng)速分解為不同特征尺度的序列，針對(duì)不同的序列選取不同的核函數(shù)，其中波動(dòng)頻率大的高頻分量采用徑向基核函數(shù)；較平穩(wěn)的中頻分量用多項(xiàng)式核函數(shù)；剩余分量采用線性核函數(shù)，然后將各個(gè)分量的預(yù)測(cè)結(jié)果疊加得到最終預(yù)測(cè)結(jié)果。預(yù)測(cè)結(jié)果顯示，預(yù)測(cè)精度較傳統(tǒng)SVM有明顯提高，并進(jìn)一步說(shuō)明了選取不同的核函數(shù)建模對(duì)預(yù)測(cè)精度的提高有很大幫助。文獻(xiàn)[41]通過(guò)數(shù)據(jù)仿真分析研究了徑向基核、多項(xiàng)式核、Sigmoid核等三種核函數(shù)在選取時(shí)須注意的具體問(wèn)題。單一核函數(shù)在實(shí)際應(yīng)用中存在缺陷，故考慮將核函數(shù)進(jìn)行優(yōu)化重組，以此來(lái)適應(yīng)不同的預(yù)測(cè)需求。然而，核函數(shù)的種類很多，確定各個(gè)重組核函數(shù)的權(quán)重是個(gè)難點(diǎn)，這正是核函數(shù)重組難以推廣開(kāi)的原因所在，還需更多學(xué)者進(jìn)一步深入研究此問(wèn)題。

4.2 參數(shù)的優(yōu)化

短期風(fēng)速預(yù)測(cè)模型的參數(shù)優(yōu)化也是影響預(yù)測(cè)精度的重要因素之一?；赟VM的短期風(fēng)速預(yù)測(cè)模型的具體參數(shù)包括：模型參數(shù)中的懲罰因子C和核函數(shù)寬度σ，特征提取參數(shù)中的嵌入維數(shù)d和時(shí)間延遲τ。

傳統(tǒng)的短期風(fēng)速預(yù)測(cè)模型中，只對(duì)SVM模型參數(shù)進(jìn)行了優(yōu)化；對(duì)于特征提取參數(shù)，通常采用混沌理論中的相空間重構(gòu)概念來(lái)確定[38]。該特征提取參數(shù)的確定只是單獨(dú)的從時(shí)間序列的動(dòng)力特性的角度考慮，但從短期風(fēng)速預(yù)測(cè)的模型考慮，這只是對(duì)SVM模型參數(shù)進(jìn)行了優(yōu)化，而忽略了特征提取參數(shù)的對(duì)預(yù)測(cè)模型的影響，因此并不能保證預(yù)測(cè)模型的預(yù)測(cè)精度。文獻(xiàn)[31]提出利用PSO對(duì)模型參數(shù)和特征提取參數(shù)共同優(yōu)化，并結(jié)合和LS-SVM建立短期風(fēng)速預(yù)測(cè)模型。進(jìn)行了兩組風(fēng)速預(yù)測(cè)實(shí)驗(yàn)，預(yù)測(cè)結(jié)果顯示，4參數(shù)同時(shí)優(yōu)化比只優(yōu)化2個(gè)模型參數(shù)的預(yù)測(cè)平均相對(duì)誤差分別減少了2.43%和3.77%，證明了優(yōu)化特征提取參數(shù)的必要性，并說(shuō)明從預(yù)測(cè)模型本身出發(fā)的4參數(shù)優(yōu)化方法對(duì)模型預(yù)測(cè)精度提高的有效性。對(duì)模型參數(shù)和特征提取參數(shù)同時(shí)優(yōu)化的理論思路提高了SVM用于短期風(fēng)速預(yù)測(cè)的泛化能力，為今后進(jìn)一步提高風(fēng)速預(yù)測(cè)精度提供了理論基礎(chǔ)。

根據(jù)以上核函數(shù)的加權(quán)組合和預(yù)測(cè)模型參數(shù)優(yōu)化的思想，給出基于SVM的短期風(fēng)速預(yù)測(cè)基本框架的建模過(guò)程，如圖1所示。其中，支持向量機(jī)的核函數(shù)加權(quán)組合的方法需要深入探究，依托該框架可以進(jìn)一步提高短期風(fēng)速預(yù)測(cè)的精度。

圖1 基于SVM的短期風(fēng)速預(yù)測(cè)基本框架

5 結(jié) 語(yǔ)

本文介紹了支持向量回歸機(jī)的原理，分別針對(duì)確定性和不確定性支持向量機(jī)算法在短期風(fēng)速預(yù)測(cè)研究中的應(yīng)用進(jìn)行了綜述，最后對(duì)選取不同的核函數(shù)和參數(shù)優(yōu)化對(duì)預(yù)測(cè)精度的影響進(jìn)行了歸納總結(jié)，并提出以下幾點(diǎn)建議：

(1)由于SVM的核函數(shù)經(jīng)過(guò)和、乘積和數(shù)乘后仍是核函數(shù)，故對(duì)不同核函數(shù)進(jìn)行加權(quán)重組得到集不同優(yōu)勢(shì)的核函數(shù)，以此來(lái)適應(yīng)風(fēng)速的非平穩(wěn)性和波動(dòng)性對(duì)預(yù)測(cè)精度的影響，是今后要深入研究的趨勢(shì)。為了進(jìn)一步提高基于SVM的短期風(fēng)速預(yù)測(cè)模型的精度，應(yīng)當(dāng)同時(shí)優(yōu)化預(yù)測(cè)模型的模型參數(shù)和特征提取參數(shù)。

(2)短期風(fēng)速預(yù)測(cè)中訓(xùn)練樣本的選取將直接影響預(yù)測(cè)精度，利用高效的數(shù)據(jù)修正算法對(duì)訓(xùn)練樣本中的壞點(diǎn)和缺失點(diǎn)進(jìn)行預(yù)處理，而具體的處理算法需要進(jìn)一步探討。

(3)在風(fēng)速預(yù)測(cè)領(lǐng)域，除了需要研究不同的預(yù)測(cè)模型算法之外，還應(yīng)該進(jìn)一步研究不同時(shí)空尺度下風(fēng)速本身的波動(dòng)特性，將波動(dòng)特性、預(yù)測(cè)方法和預(yù)測(cè)誤差特征三者聯(lián)合起來(lái)進(jìn)行研究。

[1] 錢政，裴巖，曹利宵，等.風(fēng)電功率預(yù)測(cè)方法綜述[J].高電壓技術(shù)，2016,42(4)：1047-1050.

[2] 劉波，賀志佳，金昊.風(fēng)力發(fā)電現(xiàn)狀與發(fā)展趨勢(shì)[J].東北電力大學(xué)學(xué)報(bào)，2016，36(2)：7-13.

[3] I.G.Damousis,P.Dokopoulos.A fuzzy expert system for the forecasting of wind speed and power generation farms[C]//IEEE Power and Energy Society International Conference on Innovative Computing for Power-Electric Energy Meets and Market,Sydney,Australia,2001(21)：63-69.

[4] 薛禹勝，賴業(yè)寧.大能源思維與大數(shù)據(jù)思維的融合：(二)應(yīng)用及探索[J].電力系統(tǒng)自動(dòng)化，2016，40(8)：1-13.

[5] E.Cadenas,O.A.Jaramilo,W.Rivera.Analysis and forecasting of wind velocity in Chetumal,Quintana Roo,using the single exponential smoothing method[J].Renewable Energy,2010,35(5)：925-930.

[6] C.W.Potter,M.Negnevitsky.Very short-term wind forecasting for Tasmanian power generation[J].IEEE Trans on Power Systems,2006,21(2)：965-972.

[7] M.Lange,U.Focken.New developments in wind energy forecasting[C]//IEEE Power and Energy Society General Meeting,Pittsburgh,USA,2008(19)：1-8.

[8] P.S.Chang,L.Li.Ocean surface wind speed and direction retrievals from the SSM/I[J].IEEE Trans on Geoscience and Remote Sensing,1998,36(6)：1866-1871.

[9] E.Cadenas,W.Rivera.Wind speed forecast in the south coast of Oaxaca,Mexico[J].Renewable Energy,2007,32(12)：2116-2128.

[10] 潘迪夫，劉輝，李燕飛.基于時(shí)間序列分析和卡爾馬濾波算法的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)優(yōu)化模型[J].電網(wǎng)技術(shù)，2008，35(3)：82-86.

[11] 岳莉莉.基于時(shí)間序列分析的風(fēng)速短期預(yù)測(cè)方法研究[D].北京：華北電力大學(xué)，2012.

[12] 楊秀媛，肖陽(yáng)，陳樹(shù)勇.風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2005，25(11)：1-5.

[13] Li Xingpei,Liu Yibing,Xin Weidong.Wind speed prediction based on genetic neural network[C]//IEEE Conference on Industrial Electronics and Applications,Ahwaz,Iran,2009(3)：664-667.

[14] 范高峰，王偉勝，劉純,等.基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)報(bào)，2008，28(34)：118-123.

[15] 吳興華，周暉，黃梅.基于模式識(shí)別的風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)[J].繼電器，2008，36(1)：27-32.

[16] Wang Xiaolan,Li Hui.One-month ahead prediction of wind speed and output power based on EMD and LSSVM[C]//International Conference on Energy and Environment Technology.Guilin,China：IEEE,2009(1)：431-442.

[17] Yang Xiyun,Cui Yuqi,Zhang Hongsheng,et al.Research on modeling of wind turbine based on LS-SVM[C]//International Conference on Sustainable Power Generation and Supply,Nanjing,China,2009(7)：1-6.

[18] 彭懷武，楊曉峰，劉方銳,等.基于SVM方法的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)[J].電網(wǎng)與清潔能源，2009，25(7)：48-52.

[19] WU Yuankang,HONG Jingshan.A literature of wind forecasting technology in the world[C]//IEEE Lausanne Power Tech,Lausanne,Switzerland,2007(74)：504 - 509.

[20] B.Candy,S.J.English,S.J.Keogh.A comparison of the impact of QuikScat and WindSat wind vector products on met office analyses and forecasts[J].IEEE Transactions on Geoscience and Remote Sensing,2009,47(6)：1632-1640.

[21] N.CristianiniI,J.S.Taylor.An introduction to support vector machines and other kernel-based learning methods[M].England：Cambridge University Press,2000.

[22] V.N.Vapnik.The nature of statistical learning theory[M].NY：Springer-Verlag,1996.

[23] 鮑永勝，吳振升.基于SVM的時(shí)間序列短期風(fēng)速預(yù)測(cè)[J].中國(guó)電力，2011，44(9)：61-64.

[24] Zhang Lin,Liu Xianshan,Yin Hejun.Application of support vector machines based on time sequence in power system load forecasting[J].Power System Technology,2004,28(19)：38-41.

[25] 陶小龍.基于支持向量機(jī)的股市預(yù)測(cè)[D].北京：北京工業(yè)大學(xué)，2005.

[26] 李勝剛.基于支持向量機(jī)的短期風(fēng)電功率預(yù)測(cè)[D].湖南：湖南工業(yè)大學(xué)，2015.

[27] 張華，郁永靜，馮志軍,等.基于小波分解與支持向量機(jī)的風(fēng)速預(yù)測(cè)模型[J].水力發(fā)電學(xué)報(bào)，2012，31(1)：208-212.

[28] 曾杰，張華.基于最小二乘支持向量機(jī)的風(fēng)速預(yù)測(cè)模型[J].電網(wǎng)技術(shù)，2009，33(18)：144-147.

[29] G.M.Stephane.A theory for multiresolution signal decomposition：The wavelet representation[J].IEEE Tran on Pattern Analysis and Machine Intelligence,1989,11(7)：674-693.

[30] Guo Zhenhai,Zhao Jing,Zhang Xinfang,et al.A corrected hybrid approach for wind speed prediction in Hexi Corridor of China[J].Energy,2011,36(3)：1668-1679.

[31] 葉林，劉鵬.基于經(jīng)驗(yàn)?zāi)B(tài)分解和支持向量機(jī)的短期風(fēng)電功率組合預(yù)測(cè)模型[J].中國(guó)電機(jī)工程學(xué)報(bào)，2011，31(31)：102-108.

[32] 朱霄珣，韓中合.基于PSO參數(shù)優(yōu)化的LS-SVM風(fēng)速預(yù)測(cè)方法研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2016，36(23)：6337-6342.

[33] 楊洪，古世甫，崔明東,等.基于遺傳優(yōu)化的最小二乘支持向量機(jī)風(fēng)電場(chǎng)風(fēng)速短期預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制，2011，39(11)：44-48.

[34] 曾杰，張華.基于蟻群優(yōu)化的最小二乘支持向量機(jī)風(fēng)速預(yù)測(cè)模型研究[J].太陽(yáng)能學(xué)報(bào)，2011，32(3)：296-300.

[35] 劉耀年，龐松嶺，李鑒,等.基于粗糙集理論和最小二乘支持向量機(jī)的中長(zhǎng)期負(fù)荷預(yù)測(cè)[J].中國(guó)電力，2007，40(10)：42-44.

[36] 唐杰明，劉俊勇，楊可,等.基于灰色模型和最小二乘支持向量機(jī)的電力短期負(fù)荷組合預(yù)測(cè)[J].電網(wǎng)技術(shù)，2009，33(3)：63-68.

[37] 楊錫運(yùn)，孫寶君，張新房,等.基于相似數(shù)據(jù)的支持向量機(jī)短期風(fēng)速預(yù)測(cè)仿真研究[J].中國(guó)電機(jī)工程學(xué)報(bào)，2012，32(4)：35-42.

[38] Lei Shaolan,Sun Caixin,Zhou Quan,et al.The research of local linear model of short-term electrical load on multivariate time series[J].Proceedings of the CSEE,2006,26(2)：25-29.

[39] 王富強(qiáng)，王東風(fēng)，韓璞,等.基于混沌相空間重構(gòu)與支持向量機(jī)的風(fēng)速預(yù)測(cè)[J].太陽(yáng)能學(xué)報(bào)，2012，33(8)：1321-1326.

[40] 楊薛明，邊繼飛，朱霄珣,等.基于最大熵混沌時(shí)間序列的支持向量機(jī)短期風(fēng)速預(yù)測(cè)模型研究[J].太陽(yáng)能學(xué)報(bào)，2016，37(9)：2173-2179.

[41] 劉忠寶.新型支持向量機(jī)在風(fēng)速預(yù)測(cè)模型中的應(yīng)用研究[J].電子科技大學(xué)學(xué)報(bào)，2014，43(5)：754-757.

[42] 尹嘉鵬.支持向量機(jī)核函數(shù)及關(guān)鍵參數(shù)選擇研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2016.

[43] 付陽(yáng)，李昆侖.支持向量機(jī)模型參數(shù)選擇方法綜述[J].電腦知識(shí)與技術(shù)，2010，6(28)：8081-8082，8085.

A Review of Short-term Wind Speed Prediction Based on Support Vector Machine

Yang Mao1,Chen Xinxin1,Zhang Qiang1,Li Dayong2,Sun Yong3,Jia Yunpeng4

(1.Electrical Engineering College,Northeast Electric Power University,Jilin Jilin 132012;2.State Grid Jilin Electric Power Co.,Ltd.Tonghua Power Supply Company,Tonghua Jilin 130022;3.State Grid Zibo Power Supply Company,Shandong Zibo 25500;4.State Grid Jilin Power Supply Company Customer Service Center Measurement Room,Jilin Jilin 132012)

This paper introduces the theoretical basis of support vector machine (SVM),and summarizes the present situation of support vector machine (SVM) algorithm in short-term wind speed forecasting.Firstly,the forecasting method of deterministic support vector machine is introduced.Using the data mining algorithm combined with the support vector machine prediction model and an improved support vector machine prediction model for parametric optimization of kernel functions.Secondly,the forecasting method of support vector machine with fuzzy,rough and unascertained is introduced.After the introduction of the existing support vector machine (SVM) in short-term wind speed prediction,the selection of SVM kernel function and the influence of parameter optimization on prediction accuracy are analyzed.Finally,the prospect of short-term wind speed prediction based on SVM is prospected.

Short-term wind speed prediction;Support vector machine;Ascertained;Kernel function;Parameter optimization

2017-03-12

國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃項(xiàng)目(973計(jì)劃)(2013CB228201)；吉林省產(chǎn)業(yè)技術(shù)研究與開(kāi)發(fā)項(xiàng)目(2014Y124)

楊 茂(1982-),男,博士,副教授,主要研究方向：風(fēng)力發(fā)電.

1005-2992(2017)04-0001-07

TM614

A

電子郵箱： yangmao820@163.com(楊茂)；islandairfan722@gmail.com(陳新鑫)；672721879@qq.com(張強(qiáng))；lidy0101@sina.com (李大勇)；1017249662@qq.com(孫涌)；512516884@qq.com(賈云彭)