基本信息
- 项目名称：
- 基于校正混合模型的河西走廊地区风速预测研究
- 来源：
- 第十二届“挑战杯”省赛作品
- 小类：
- 能源化工
- 大类：
- 自然科学类学术论文
- 简介：
- 本文提出了一种基于SARIMA和LS-SVM的混合预测模型，选取河西走廊地区马鬃山和酒泉两地2001-2006年的月平均风速数据对模型预测精度进行检验。将混合预测模型的预测误差分别与ARIMA模型、SARIMA模型、LS-SVM模型以及混合ARIMA-SVM模型所得的预测误差进行对比分析，同时结合假设检验方法对不同模型进行评价。
- 详细介绍：
- 带有季节性的时间序列（如风速时间序列）通常是一个复杂的非线性问题，SARIMA模型虽然能够较好地捕捉时间序列的周期性特征，但其最大的局限性在于模型的线性假设。从而，单一的SARIMA模型并不能够取得满意的预测精度，混合SARIMA-LSSVM模型正是对于原始SARIMA模型的改进，我们采用最小二乘支持向量机（LS-SVM）理论模拟SARIMA模型预测所得到的非线性残差序列，通过校正残差来达到提高模型预测精度的目的。LS-SVM理论是对支持向量机（SVM）方法的重大改进，解决了SVM中复杂的计算问题。能够较好地模拟时间序列的非线性特征，且所需的数据量小，对于小子样问题而言是有效地解决方法。 风速被研究者认为是最难模拟和预测的气象参数之一，与其他时间序列相比具有强烈的波动性和复杂的周期性、非线性等特征。本作品所提出的混合SARIMA-LSSVM模型，不仅仅克服了单一预测模型刻画不全面的缺陷，同时也是对原始ARIMA-SVM混合思想的改进。通过添加季节项和使用最小二乘支持向量机理论，混合模型能够较好地描述风速时间序列的周期性和非线性特征，同时具有计算简便、易于实现的优点。而且，本论文中对于风速时间序列更为准确的预测，能够给风电场的安全运行提供更为可靠的保障。 带有季节性的时间序列（如风速时间序列）通常是一个复杂的非线性问题，SARIMA模型虽然能够较好地捕捉时间序列的周期性特征，但其最大的局限性在于模型的线性假设。从而，单一的SARIMA模型并不能够取得满意的预测精度，混合SARIMA-LSSVM模型正是对于原始SARIMA模型的改进，我们采用最小二乘支持向量机（LS-SVM）理论模拟SARIMA模型预测所得到的非线性残差序列，通过校正残差来达到提高模型预测精度的目的。LS-SVM理论是对支持向量机（SVM）方法的重大改进，解决了SVM中复杂的计算问题。能够较好地模拟时间序列的非线性特征，且所需的数据量小，对于小子样问题而言是有效地解决方法。 风速被研究者认为是最难模拟和预测的气象参数之一，与其他时间序列相比具有强烈的波动性和复杂的周期性、非线性等特征。本作品所提出的混合SARIMA-LSSVM模型，不仅仅克服了单一预测模型刻画不全面的缺陷，同时也是对原始ARIMA-SVM混合思想的改进。通过添加季节项和使用最小二乘支持向量机理论，混合模型能够较好地描述风速时间序列的周期性和非线性特征，同时具有计算简便、易于实现的优点。而且，本论文中对于风速时间序列更为准确的预测，能够给风电场的安全运行提供更为可靠的保障。
作品专业信息
撰写目的和基本思路
- 风能资源的估计不足也成为了风电场建设和运行中的首要问题。解决风力发电中风能资源高维、非线性、随机性强的复杂特征的建模问题，对风速进行准确预测。提出了一种基于SARIMA方法和LS-SVM理论的混合预测模型，对模型预测精度进行检验。对预测误差进行对比分析，同时结合假设检验方法对不同模型进行评价。
科学性、先进性及独特之处
- 带有季节性的时间序列（如风速时间序列）通常是一个复杂的非线性问题，单一的SARIMA模型并不能够取得满意的预测精度，采用LS-SVM模拟SARIMA模型预测所得到的非线性残差序列，通过校正残差提高模型预测精度。LS-SVM是对SVM方法的改进，解决了SVM中复杂的计算问题。较好地模拟时间序列的非线性特征，且所需的数据量小，对于小子样问题很有效。
应用价值和现实意义
- 风速预测方法的新探索： 本论文通过引入混合预测的思想，建立新型的风速预测模型，实际模拟中通过与传统的统计预测模型相比较，新型的混合预测模型能得到更高的预测精度。能够给风电场的安全运行提供更为可靠的保障，帮助制定一系列的电网运行方式，保障电网安全运行，从而对于电网安全问题具有现实意义。 为小子样问题提供思路： 本模型在不增加样本容量的前提下提高模型的预测精度。
学术论文摘要
- A hybrid Seasonal Auto-Regression Integrated Moving Average and Least Square Support Vector Machine (SARIMAeLSSVM) model is significantly developed to predict the mean monthly wind speed in Hexi Corridor. The design concept of combining SARIMA method with the LSSVM algorithm shows more powerful forecasting capacity for monthly wind speed prediction at wind parks , SARIMA, LSSVM models and the hybrid Auto-Regression Integrated Moving Average and Support Vector Machine (ARIMAeSVM) model.
获奖情况
- 本作品基于国家大学生创新性实验计划项目（项目代码：081073005）成果之一，该项目已顺利结项并在结项答辩中被专家组评定为优秀，且被推荐参加第三届全国大学生论坛进行成果展示。原作品已于2010年8月向SCI杂志Energy投稿，目前稿件已经审理完毕，处于修稿状态。
鉴定结果
- 原作品已于2010年8月向SCI杂志Energy投稿，目前稿件已经审理完毕，处于修稿状态。
参考文献
- [1] Landberg L. Short-term prediction of the power production from wind farms. Journal of Wind Engineering and Industrial Aerodynamics 1999; 80: 207-20. [2] Alexiadis MC, Dokopoulos PS, Sahsamanoglou HS, Manousaridis IM. Short term forecasting of wind speed and related electrical power. Solar Energy 1998; 63 :61-8. [3] Negnevitsky M, Potter CW. Innovative short-term wind generation prediction techniques. In: Proceedings of the power systems conference and exposition; 2006. p. 60-5. [4] Focken U, Lange M, Monnich K, Waldl HP, Georg BH, Luig A. Short-term prediction of the aggregated power output of wind farms e a statistical analysis of the reduction of the prediction error by spatial smoothing effects. Journal of Wind Engineering and Industrial Aerodynamics 2002; 90: 231-46. [5] Barbounis TG, Theocharis JB. A locally recurrent fuzzy neural network with application to the wind speed prediction using spatial correlation. Neurocomputing 2007; 70: 1525-42.
同类课题研究水平概述
- 风速预测在风电场的运行中扮演着重要的角色，国内外诸多学者都在这一领域做出了突出的贡献。目前，风速预测方法大致可以分为以下几类：1）物理模型；2）空间相关模型；3）传统模型；4）人工智能模型和新型预测模型。物理模型使用诸如气温、压强等大气数据综合预测未来的风速大小[1-3]，空间相关模型考虑不同观测站的风速大小之间的空间关系[4-6]。这两种方法都与其他大气因素紧密相关，而某些气象参数是难以测量的。统计方法的目的是寻找历史观察数据之间的统计关系[7]，仅仅依赖于研究地点的观测数据。但由于风的产生包含着复杂的大气运动过程，风速时间序列在统计上呈现出高维、非线性、多重周期性的复杂特征，传统的统计预测模型难以取得较高的预测精度。近些年来，人工智能方法和新型预测模型的提出，尤其是混合预测模型的广泛应用，为风能的预测和估计提供了新的思路和更为有效的算法。理论分析和实际应用结果同时表示，混合预测能够有效地提高模型的预测精度[8-11]。 通过文献检索，Pai PF和Lin CS于2005年结合ARIMA和SVM用于股票价格的混合预测[12]；Chen KY和Wang CH于2007年结合SARIMA和SVM用于台湾机器工业产值的预测问题[13]。但我们没有发现将SARIMA与LSSVM相结合用于风速时间序列预测的成果。
