一種新型混合預測模型的研究與應用.docx

一種新型混合預測模型的研究與應-中國風速預測案例研究摘 要鑒于目前能源危機日益嚴重，新能源的開發(fā)利用日益受到重視，風能在這些可再生能源中得到廣泛的應用。然而，風電的隨機性可能會在電力系統(tǒng)中引起一系列問題。此外，將大型風電場整合到整個電網(wǎng)中將給穩(wěn)定和安全帶來沉重的負擔。準確的風速預測將降低風電的隨機性，有效緩解風電對電力系統(tǒng)的不利影響。在本文中，提出了一種混合風速預測模型，希望實現(xiàn)更好的預測性能。采用小波包變換（WPT）將風速級數(shù)分解成不同頻率的幾個系列。建立了基于模擬退火（PSOSA）的粒子群優(yōu)化調(diào)整參數(shù)的最小二乘支持向量機（LSSVM），對該系列進行建模。模型的最優(yōu)輸入形式由相空間重建（PSR）確定。為了驗證擬議模型的有效性，以西北地區(qū)甘肅省四個風電場的日平均風速為例，模擬和灰色關系分析的結果表明，所提出的模型優(yōu)于對照模型，并且接受了具有相同均值的真實系列的預測序列的零假設。目 錄1 介紹12 方法論42.1 小波包變換（WPT）42.2 相空間重建C-C法42.3 最小二乘支持向量機（LSSVM）42.4 優(yōu)化算法52.4.1 粒子群優(yōu)化（PSO）52.4.2 模擬退火（SA）52.4.3 組合優(yōu)化算法PSOSA52.5 灰色關系分析63 混合WPT-LSSVM-PSOSA模型64 實驗設計及結果74.1 研究區(qū)域和數(shù)據(jù)集74.2 預測精度的績效標準74.3 WPT的結果84.4 相空間重建（PSR）84.5 選擇LSSVM模型84.6 模型比較94.7 灰色關系分析結果104.8 統(tǒng)計假設檢驗105 結論111 介紹隨著世界能源消耗不斷增加，傳統(tǒng)能源資源蓬勃發(fā)展，化石燃料儲存量下降，全球能源危機逐漸顯現(xiàn)。因此，減輕能源危機，發(fā)展可再生能源，實現(xiàn)能源的可持續(xù)發(fā)展已成為世界能源發(fā)展戰(zhàn)略的重大舉措。風能是可再生能源的重要類別，資源豐富，可再生，廣泛分布和清潔，導致風電成為重要的可再生能源發(fā)展方向。目前，風電不僅在發(fā)達國家，還在許多發(fā)展中國家廣泛應用，甚至在一些發(fā)達國家，風電部分取代了傳統(tǒng)發(fā)電模式，是經(jīng)濟發(fā)展的基本動力。中國是世界上最大的發(fā)展中國家，擁有豐富的風能資源。隨著風電技術日益成熟和政府的大力支持，風電已成為全國增長最快的可再生能源。根據(jù)中國政府的計劃，到2020年，風電裝機容量將達到30吉瓦1。在當今風力發(fā)電的快速發(fā)展中，風電在整個電力系統(tǒng)中的比重越來越大。然而，由于風能的隨機性和間歇性，隨機風速和風向導致風力發(fā)電機輸出功率的明顯波動，這種波動對電網(wǎng)頻率和電壓穩(wěn)定性產(chǎn)生不利影響。當風電比例達到一定程度時，對電力系統(tǒng)的安全穩(wěn)定運行和發(fā)電量的質量構成嚴重挑戰(zhàn)。另外，為了應對風力發(fā)電的間歇性和隨機性，需要足夠的備用電力來保護用戶的正常供電，從而增加了電力系統(tǒng)的儲備能力，這無疑增加了電力系統(tǒng)的運行成本電力系統(tǒng)。因此，準確的風速預測可以提高隨機風電的可預見性，降低儲備功率需求，從而提高電網(wǎng)的可靠性。降低運行成本和旋轉儲備將有可能增加電網(wǎng)中的風力發(fā)電量。為了避免風力發(fā)電一體化的挑戰(zhàn)，相對精確的風速和風力發(fā)電預測是非常重要的。目前，中國風電場的風速預測誤差在25-40的范圍內(nèi)2,3。這些結果不盡如人意，不僅與預測方法有關，而且與預測期有關。根據(jù)風電運行的要求，預測可分為四個層面：4,5：超短期，短期，中長期和長期。超短期預測和短期預測主要用于負載跟蹤和預負載共享。風力發(fā)電機組的電力系統(tǒng)管理和維護措施分別采用中長期和長期6,7的預測進行。近期，許多研究人員對風速和風力發(fā)電預報進行了深入研究，并提出了許多方法，并將其應用于風電場。這些方法可以分為四個類別8：物理模型，統(tǒng)計模型，空間相關模型和人工智能模型。物理模型不僅利用歷史數(shù)據(jù)，還考慮了天氣和地理條件來幫助風速預測，期望實現(xiàn)更好的預測精度9,10。相反，稱為隨機時間序列模型的統(tǒng)計模型只采用歷史風速。這種模型方法易于應用，實現(xiàn)簡單。因此，風速預測中常出現(xiàn)幾種類型的時間序列模型，包括自回歸模型（AR），移動平均模型（MA），自回歸移動平均模型（ARMA）11和自回歸積分移動平均模型（ARIMA） 12。文獻調(diào)查得出的結論是，在絕大多數(shù)案例研究中，統(tǒng)計模型在適用于短期，中期和長期風速預測時表現(xiàn)良好，而物理學模型在超短期和短期視野中呈現(xiàn)令人滿意的結果。通常，當風電場的可用研究信息不足時，空間相關模型13,14主要被使用，但是幾個相鄰風電場的基本信息是可用的。與其他模型不同，為了建立空間相關風速預測模型，必須從多個空間相關位置測量風速和其他包含延遲時間的必要信息。因此，測量及其延遲時間增加了實施空間相關預測的復雜性和成本。最近隨著人工智能技術的飛速發(fā)展和普及，應用不同的智能算法，包括人工神經(jīng)網(wǎng)絡（ANN）15-19，支持向量機（SVM）20- 22和模糊邏輯方法23,24，風速預測?；旌巷L速預測模型25-28被廣泛采用，具有令人滿意的預測結果。這樣的原因可以在很大程度上挖掘不同風速時間序列的隱藏信息。根據(jù)許多研究，至少有三種可以提高風速預測精度的方法。首先，在進入預測模型之前，對原始風速系列進行了預測，以達到相對較高的預測精度。小波變換（WT）29-31和經(jīng)驗模式分解（EMD）19,32,33是處理風速系列的最常見技術。前者可以去除原始序列的不規(guī)則波動，而后者可以將原始序列分解為若干內(nèi)在模型函數(shù)（IMF）進行建模。其次，眾所周知，投入表對預測結果有重要的影響。有時，投入表決是通過反復試驗和研究人員的經(jīng)驗來決定的。在許多論文中，應用部分自動相關函數(shù)（PACF）32,33來選擇最佳輸入形式。在本文中，我們使用相空間重建34來確定輸入格式。第三，模型參數(shù)在建模過程的預測精度上起著重要的作用。隨著科學技術的發(fā)展，常用的智能優(yōu)化算法，如遺傳算法（GAs）29,35，模擬退火（SA）36,37，實用群算法（PSO）5,35 ，蟻群優(yōu)化（ACO）38被廣泛應用于參數(shù)優(yōu)化。此外，許多論文已經(jīng)證明，通過智能優(yōu)化算法優(yōu)化的模型具有更好的預測性能。在本文中，提出了一種混合模型，期望更準確地預測風速。與WT方法相比，WPT方法不僅分解低頻序列，而且分解高頻序列，可以更精細地挖掘原始序列的特征。首先，采用WPT方法處理原風電系列，提高預測能力，可以實現(xiàn)不同頻率的不同頻率系列，包含不同風速特征。然后，對于所有子系列，對相位空間重建進行整形，以選擇除頻率最高的子系列之外的輸入形式，并且嵌入維度和延遲時間由于C-C方法而易于計算操作和最小計算要求。最后，建立了最小二乘支持向量機（LSSVM）模型來預測所選擇的子系列。由于LSSVM模型中的所有參數(shù)對預測精度都有顯著的影響，與基本PSO算法相比，基于模擬退火（PSOSA）的粒子群優(yōu)化具有避免落入局部極值點的能力，用于優(yōu)化LSSVM模型中的兩個參數(shù)。風速預測值可以通過將所有選定的子系列除了頻率最高的預測值相加以獲得。為了評估混合方法的有效性，對位于中國西北甘肅省的四個風電場進行了案例研究。此外，灰色關聯(lián)分析和統(tǒng)計假設檢驗用于評估所提出的模型產(chǎn)生的預測序列的合理性。提出的模型的優(yōu)點，導致更好的預測性能，在以下幾個方面表現(xiàn)出來。首先，許多單一方法通過直接使用原始風速系列來實現(xiàn)風速預測，但是由于原始系列中的隨機噪聲的影響，預測精度不太令人滿意。在本文中，WPT用于預處理原風速系列，降低隨機噪聲的影響。那么，所提出的模型中的輸入形式確定是更為微小，更新穎。通過審查許多論文，我們發(fā)現(xiàn)輸入表單的確定是基于經(jīng)驗或PACF的數(shù)字29。然而，受溫度，壓力和濕度等因素影響的風速波動是一個復雜的非線性動力系統(tǒng)。因此，本文的創(chuàng)新是將相空間理論分為風速預測。同時，輸入表單可以通過C-C方法自動確定，可以減少個人選擇性輸入對預測結果的影響。因此，我們使用驗證集來減輕可能的過度擬合而不是使用整個訓練集39。另外，考慮到所有方面，選擇LSSVM作為主要的預測模型是合適的。在文獻中，三個非常重要和廣泛使用的風速預測模型是ANN，SVM和LSSVM。雖然ANNs訓練算法具有從給定數(shù)據(jù)自適應學習的能力，但它們受到諸如存在局部最小值，過擬合和慢收斂速度等幾個缺點的困擾40。此外，LSSVM和SVM也可以提供比一些人工神經(jīng)網(wǎng)絡更穩(wěn)定的預測結果，因為ANN的權重是隨機初始化的。然而，SVM的主要缺點是訓練階段的速度較慢41，本文應用LSSVM可以通過將SVM的二次規(guī)劃問題轉化為求解線性方程的問題來提高解決問題的訓練速度。與其他僅使用單個PSO或單個SA的單一智能優(yōu)化算法的其他LSSVM參數(shù)確定方法不同，本文應用了PSO和SA的組合，以避免落入局部極值點。最后，除了使用三個常見的錯誤標準（MAE，MSE和MAPE）來評估所提出的混合模型的效率之外，還使用灰色關系分析和統(tǒng)計假設檢驗來說明從幾何角度出發(fā)的模型的優(yōu)越性形式的預測系列和統(tǒng)計學?？傮w而言，開發(fā)模式的新穎性體現(xiàn)在以下幾個方面：（1）利用數(shù)據(jù)預處理方法處理原風電系列; （2）相位空間執(zhí)行選擇輸入格式; （3）利用人工智能（PSOSA）模型調(diào)整參數(shù)的LSSVM模型進行預測。 （4）選擇灰色關聯(lián)分析和假設檢驗作為提出模型預測性能的新工具。2 方法論2.1 小波包變換（WPT）小波包變換（WPT）是一種風力數(shù)據(jù)處理的有效方法，可將風速系列分為一組本構系列。當使用這些本構系列進行時間序列預測時，由于WPT技術的過濾效果，可以實現(xiàn)更好的預測精度。小波包的概念首先由Wie-kerhauser等人提出，并基于小波變換的定理。小波包變換的結構與離散小波變換（DWT）相似。兩者都有一個包含多分辨率分析（MRA）的框架。然而，小波變換只是分解低頻序列，而高頻序列保持不變。圖1的部分（b）示出了小波變換的示意圖。分解的結果為X0 = H1 + H2 + + Hj + Lj。也就是說，原始序列X0被轉換為近似分量Lj，并且許多細節(jié)分量Hii= 1; 。 。 。 ;第j個。近似分量包含低頻信息。提供信號的最重要的部分是它的身份和細節(jié)組成部分，揭示了信號的味道。由于其分解尺度是基于二進制模式的變化，所以這種類型的分解在高頻下產(chǎn)生較差的頻率分辨率，在低頻下產(chǎn)生較差的時間分辨率。然而，對于小波包變換，如圖1的部分（a）所示，它產(chǎn)生進一步的低頻和高頻分解。這有效地補償了缺少小波變換。在圖1中，L和H分別表示低頻和高頻，下標表示小波包的分解層。我們可以得到X0 = LLL3 + LLH3 + LHL3 + LHH3 + HLL3 + HLH3 + HHL3 + HHH3。 WPT的原理可以分別代表縮放函數(shù)和母小波函數(shù)。因此，我們稱之為Wn（t）正交縮放函數(shù)W0ut的小波包。2.2 相空間重建C-C法在重建過程中，嵌入維數(shù)m和延遲時間s的選擇非常重要，兩個參數(shù)的適當選擇直接影響到相空間重構的質量，從而影響了預測精度。 在本文采用C-C方法確定相空間重建參數(shù)。 C-C方法可以通過應用相關積分來同時估計延遲時間和嵌入維數(shù)。 雖然C-C方法是根據(jù)統(tǒng)計結果，沒有堅實的理論依據(jù)，使用方便，需要少量計算，并具有較強的抗噪聲能力。 更多信息可以在參考。42。2.3 最小二乘支持向量機（LSSVM）Suykens等提出了最小二乘支持向量機 在1999年，是標準支持向量機（SVM）的變體。 解決SVM模型中的二次規(guī)劃問題轉化為線性求解系統(tǒng)方程，避免了不敏感的損耗函數(shù)，大大降低了計算復雜度。 LSSVM功能的估計功能用于解決如下所述的以下問題。 考慮輸入xi; yijxi2 Rm; 特征空間yxxuxb適合樣本集，其中ux是從輸入空間到高維特征空間的非線性映射; x是權重向量; b是偏見。 當使用結構風險最小化原理時，回歸問題轉化為約束優(yōu)化問題，最小二乘支持向量機方法可以表達如下。2.4 優(yōu)化算法在本節(jié)中，介紹了基本粒子群優(yōu)化（PSO）和模擬退火（SA）的原理，其次是組合優(yōu)化算法（PSOSA）的策略。2.4.1 粒子群優(yōu)化（PSO）受動物植物行為的啟發(fā)，粒子群優(yōu)化（PSO）由肯尼迪和Eberhart首先引入，廣泛用于參數(shù)優(yōu)化。在PSO算法中，每個粒子代表潛在的優(yōu)化問題解決方案。首先，在初始化大量隨機粒子之后，每個粒子通過跟蹤單個極值（單個粒子找到的最優(yōu)解）和全局極值（所有粒子找到的最優(yōu)解）直到最優(yōu)解為找到。2.4.2 模擬退火（SA）模擬退火（SA）算法是基于蒙特卡洛迭代解決策略的隨機優(yōu)化算法，首先在Kirkpatrick等人的組合優(yōu)化領域中使用。該算法遵循固體物質的退火過程與一般組合優(yōu)化過程之間的相似性。然后利用固體物質退火的物理原理，將此熱力學理論應用于統(tǒng)計學。從較高的初始溫度開始，采用大都會采樣策略在解空間中進行隨機搜索，隨著溫度逐漸降低，重復采樣過程，最終可以獲得問題的全局最優(yōu)解。 SA算法的基本步驟如下：通過重復上述步驟，SA算法在逐漸降低溫度方面符合某些退火方案。當溫度足夠低時，可以達到全球最佳狀態(tài)。 SA算法在求解組合優(yōu)化問題方面取得了很好的效果，可以解決傳統(tǒng)優(yōu)化方法困難的一些問題。2.4.3 組合優(yōu)化算法PSOSA混合優(yōu)化算法的基本設計思想如下。首先，通過使用收縮因子更新方法的粒子速度更新公式來改進基本的PSO算法。然后，結合模擬退火算法和粒子群算法，建立初始溫度與初始粒子群之間的關系。此外，本文還采用遺傳算法相關的輪盤輪選擇策略。PSO算法簡單，易于實現(xiàn)，需要的參數(shù)較少，收斂速度快。然而，PSO算法可以輕易地落入局部極值點，導致問題偏離最優(yōu)位置。改善避免掉入本地極值點的能力，我們嘗試從單個最佳位置pi中選擇一個位置，以代替記錄為p0g的速度更新公式中的全局最優(yōu)位置pg。首先，通過使用Clerc提出的收縮因子v和學習因子c1和c2的函數(shù)來改進基本的PSO算法。具有收縮因子的PSO算法的速度和位置更新公式定義如下：問題出在如何選擇一個有效的最優(yōu)定位pi。顯然，具有良好性能的pi應該具有較高的選擇概率。根據(jù)SA算法的機理，每個粒子pi的最佳位置被認為是比全局最優(yōu)位置pg更差的特殊位置，所以可以通過公式計算出飛躍概率。 2.5 灰色關系分析灰色關系分析理論由鄧先生于1986年首次引入。灰色關聯(lián)分析的基本思想是根據(jù)系列幾何形狀的相似度來檢查不同系列是否緊密接觸。幾何形狀的相似度越高，相關性越大，反之亦然?；疑P聯(lián)分析的主要步驟如下：3 混合WPT-LSSVM-PSOSA模型在本節(jié)中，將詳細介紹所提出的混合模型（WPT-LSSVM-PSOSA），該模型的流程圖如圖4所示?；旌戏椒ㄓ伤牟糠纸M成。第一部分：數(shù)據(jù)預處理。 WPT用于將風力數(shù)據(jù)系列分解成低頻分量和幾個高頻分量。與低頻組件相比，高頻組件具有較大的隨機性，對未來的風速影響不大。因此，最高頻率序列被消除，另一個系列被重構，然后作為自變量饋入風速預測模型，因為它們保持了風速序列的主要波動。第二部分：輸入選擇。使用相空間重建方法重寫原始風速序列，嵌入尺寸和延遲時間由C-C方法確定。然后，每個系列分為三組：訓練集，驗證集和模型訓練，驗證和測試的測試集。第三部分：模型訓練和模型驗證。這里，LSSVM-PSOSA模型適用于風速預測，具體步驟如下：步驟1：確定PSOSA的參數(shù)。步驟2：確定適應度函數(shù)，并將驗證集的均方誤差（MSE）設為粒子的適應度。步驟3：初始化LSSVM模型的結構。步驟4：更新每個粒子和全局極值的各個極值，然后生成下一代粒子。步驟5：確定該算法的停止條件。首先，評估新粒子群體的適應性。如果達到最大迭代次數(shù)或預期誤差，則轉到步驟6;否則，轉到步驟4繼續(xù)迭代。步驟6：停止迭代，必須達到全局極值，從而達到LSSVM模型的相應最優(yōu)參數(shù)。第四部分：風速預測。在這部分中，利用PSOSA調(diào)整的優(yōu)化參數(shù)的LSSVM模型用于預測WPT分解的每個序列，然后通過疊加每個子系列的預測值來獲得風速預測系列。在通過本文預先設定的模型獲得預測值后，進行了灰色關聯(lián)分析。然后，進行假設檢驗，以評估預測系列的平均值是否與四個站點的實際系列相同。4 實驗設計及結果4.1 研究區(qū)域和數(shù)據(jù)集本文選取的研究區(qū)域包括甘肅省西北部的張掖，武威，酒泉，馬宗山等4個風電場。研究區(qū)簡單的地圖如圖5所示，由于地理特征，這些地區(qū)擁有世界領先的風能資源，成為中國最大的風力發(fā)電項目28。因此，對風能資源評估進行準確的風速預測至關重要。在這里，從四個站點抽取大約六年的平均每日風速被用來說明所提出的模型的有效性能。日常風速總數(shù)為2191.在進入模型之前，系列分為訓練集，驗證集和測試集三部分，其比例分別為約75，25和25。下表1顯示了四個風速系列的平均值，標準偏差和最大和最小速度?？梢郧宄乜吹?，該系列的統(tǒng)計特性彼此不同，因此，如果所提出的模型可以廣泛應用于現(xiàn)實世界，我們可以從預測結果得出結論。在本文的其余部分，我們分別使用指定站點1，站點2，站點3和站點4替換武威站點，酒泉站點，張掖站點和馬祖山站點。4.2 預測精度的績效標準為了評估所提出的混合模型的效率，建立了其他模型進行比較。最近，在文獻中，許多不同的錯誤標準被廣泛使用，但沒有一個標準被證明是可以應用于所有情況的通用標準方法。因此，使用多個標準來全面評估前瞻性研究中的預測性能，有趣的是評估不同標準是否反映了不同型號的相同性能水平。在本文中，采用三個標準：平均絕對誤差（MAE），均方誤差（MSE）和平均絕對百分比誤差（MAPE）。目前，風速預測誤差大約在2540之間2,3，這不僅與預測方法有關，而且與預測的范圍和風速特征有關。一般來說，預測的時間越短，風速變化越穩(wěn)定，預測誤差越小。否則，預測錯誤將會更大43。4.3 WPT的結果為提高原風速系列的預報性能，提供了諸如WT，WPT，EMD等多種方法。 WPT用于解決原始風速系列。有許多已知的小波函數(shù)可用于分解原始數(shù)據(jù)，根據(jù)案例數(shù)據(jù)的特點，采用“db4”小波函數(shù)將原始風速分解為兩個不同頻率的子序列的兩層。圖6顯示了現(xiàn)場1（武威站）的WPT的原始風速系列及其子序列，從低到高的頻率。從圖6可以看出，具有最小頻率的子系列（LL2）與主風速時間序列具有很高的相似性。然而，其他三個具有相對較高頻率的子序列顯示出一些不可思議的風速變化。在本文中，考慮到二層的三個子系列（LL2，LH2和HL2），希望盡可能多地挖掘原始風速的隱藏特征，并將子系列HH2與rel相對較高的頻率被去除。4.4 相空間重建（PSR）為了預測風速，LSSVM模型是為選定的子序列構建的。對于LSSVM模型，大約有四個部分將影響預測性能：輸入格式，預測視野，內(nèi)核函數(shù)和模型參數(shù)。在本節(jié)中，相空間重建用于確定輸入格式。在該方法中，通過C-C方法選擇PSR的兩個重要參數(shù)，嵌入維數(shù)m和延遲時間s。然而，可以獲得時間窗口和延遲時間s。時間窗口 - 可以在Scor達到全局最小值時獲得，延遲時間s為當DSt達到第一個最小點時選擇。然后，嵌入維數(shù)m由公式m1s間接獲得。這里，C-C方法中的最大延遲時間是12，任意選擇。表2和表3顯示了應用于四個位點的C-C方法的結果。根據(jù)表2和3所示的結果，可以獲得 - 和延遲時間s的值。此外，計算出的嵌入維度如表4所示。4.5 選擇LSSVM模型如上所述，我們知道參數(shù)和閾值函數(shù)是用于風速預測的LSSVM模型的重要方面。這里采用RBF核函數(shù)，采用PSOSA優(yōu)化算法優(yōu)化參數(shù)c;通過最小化驗證集中產(chǎn)生的錯誤來確定。 PSOSA算法的一些參數(shù)如表5所示。PSOSA的適應度函數(shù)是用于選擇LSSVM模型的時間序列預測的最優(yōu)參數(shù)的驗證集中生成的MSE值。表6顯示了最佳參數(shù)c;通過使用PSOSA算法實現(xiàn)的LSSVM模型的r2。在確定最佳輸入形式后，獲得具有最佳參數(shù)的最優(yōu)LSSVM模型，應用測試集來評估擬議模型的預測性能。表7顯示了四個站點的驗證集和測試集中提出的模型的錯誤。表8提供了預測值和實際值的一些統(tǒng)計指標。我們可以清楚地看到，平均值與真實風速系數(shù)的平均值具有很高的相似性。同時，預測值的差異低于真實方差，表明預測系列相對穩(wěn)定。4.6 模型比較在本節(jié)中，我們比較ARIMA模型，LSSVM模型，LSSVM-PSOSA模型和WT-LSSVM-PSOSA模型，與模型進行比較。結果在表9中基于三個標準MAE，RMSE和MAPE提供。在下表9中，粗體字表示各種預測模型中最小的MAE，RMSE和MAPE值。在該模型比較中，可以清楚地看出，所提出的混合模WPT-LSSVM-PSOSA在所有模型中表現(xiàn)最好，說明混合模型可以捕獲單個模型的特征，捕獲風力數(shù)據(jù)系列的特征，并實現(xiàn)良好的風速預測性能。從表9可以清楚地看出，與ARIMA，LSSVM，LSSVM-PSOSA和WT-LSSVM-PSOSA模型相比，混合型WPT-LSSVM-PSOSA具有最高的精度。相比之下，ARIMA，LSSVM，LSSVM-PSOSA和WT-3相比，在武威網(wǎng)站1號中，擬建模型比MAPV下降21.87，24.07，23.21和7.75 LSSVM-PSOSA模型。同時，總RMSE的下降幅度分別為20.92，19.68，19.65和8.77，而MAE則分別為19.25，20.32，19.01和6.12。對于其他三個站點，MAPE，RMSE和MAE的減少明顯列在表10中。以下通過比較研究進一步說明。首先，ARIMA和LSSVM單模型在風速預測中提供有時不令人滿意的性能。這種現(xiàn)象表明，單一型號不能包含原風力系列的綜合特點。當考慮混合模型時，LSSVM/-PSOSA模型始終超越了LSSVM模型，反映出PSOSA算法是優(yōu)化LSSVM模型中參數(shù)的有效方法。此外，在所有預測模型中，提出的混合WPT-LSSVM-PSOSA模型實現(xiàn)了最佳性能。特別是與LSSVM-PSOSA模型和WT-LSSVM-PSOSA模型相比，我們發(fā)現(xiàn)WPT方法可以有效提高原風力系列預鑄能力。眾所周知，LSSVM模型采用誤差平方和作為經(jīng)驗損失函數(shù)，將傳統(tǒng)SVM的不等式約束變?yōu)榈仁郊s束，從而將求解二次規(guī)劃問題轉化為線性方程的求解問題，以更快的速度加快。 WPT-SVM-PSOSA和WPT-LSSVM-PSOSA在不同演化時間的仿真結果如表11所示。從表11可以清楚地看出，WPT-SVM-PSOSA的預測精度通常較小比不同進化時代的擬議模型更好，但它們之間的差距非常小。此外，隨著演進時間的增加，WPT-LSSVM-PSOSA的預測精度幾乎保持不變。WPT-SVM-PSOSA模型也幾乎保持不變。因此，實際上，PSOSA發(fā)展近20次可以找到SVM和LSSVM的最優(yōu)參數(shù)，不僅可以大大節(jié)省時間，而且可以達到與200進化時間模型相同的良好預測精度。當比較不同進化時間的兩種方法的CPU計算時間時，我們發(fā)現(xiàn)WPT-LSSVM-PSOSA真的是一個更快的算法。一般來說，隨著子系列（LL2，LH2，HL2）頻率的增加，CPU系統(tǒng)時間的增加，最低頻率子系列LL2幾乎擁有CPU計算時間的最少。觀察高頻序列隨機波動的現(xiàn)象并不奇怪，這提高了所提出的模型的計算復雜度?？傮w而言，WPT-LSSVM-PSOSA不僅節(jié)省了很多時間，而且在較低的演進時間下，WPT-SVM-PSOSA的預測精度也較好。所有數(shù)據(jù)集上的不同算法的模擬在使用2.50 GHz Intel Core i5 3210M，64位具有4 GB RAM的Windows 7上運行的MATLAB R2012a環(huán)境中進行了研究。從表11可以得出結論，20次演進的預測結果與提出的模型相比，發(fā)展了200次，但CPU的計算時間大大下降。因此，輕松實施開發(fā)風速較低的風速預測程序，具有較低的演進時間，可以通過風力發(fā)電場中高性能計算機的并行計算節(jié)省更多的計算時間。事實上，與混合動力車型相比，ARIMA和LSSVM等單機型花費的時間更短。然而，它們的預測精度低于混合模型。因此，考慮到整個電力系統(tǒng)的安全性當風力發(fā)電與電網(wǎng)連接時，要花更多的時間來做出更準確的風速預測是明智的，從而減輕電網(wǎng)崩潰的可能風險。根據(jù)最近的論文，中國風電場風速預報誤差約為25-40。雖然原風電系列的功能是不同的，但是比較者表明，擬議的混合模型在適用于中國西北地區(qū)的日常風速預報時可以有效地執(zhí)行。因此，混合方法為風速預測應用提供了一個新的可行選擇，因為它們在許多情況下表現(xiàn)優(yōu)于單個預測模型。因此，它們應該被包括在搜索最佳預測模型25中。4.7 灰色關系分析結果灰色關聯(lián)分析用于驗證所提出模型的預測結果曲線是否與真實風速系列曲線最相似。表12給出了不同模型預測結果的灰色關聯(lián)度，粗體值反映了最大的灰色關聯(lián)度值。在表12中，可以看出，WT-LSSVM-PSOSA和擬議的混合WPT-LSSVM-PSOSA模型生成的預測曲線與本文檢驗的四個風電場的實際風速曲線具有最大的相似性。然而，提出的模型的灰色關聯(lián)度是最高的。來自預測系列和原始風速系列的樣本如圖7所示。4.8 統(tǒng)計假設檢驗假設檢驗也稱為驗證性數(shù)據(jù)分析，與探索性數(shù)據(jù)分析不同。使用頻率概率法，我們幾乎總是根據(jù)零假設檢驗做出我們的決定。假設檢驗的一個用途是決定實驗結果是否包含足夠的信息來使當前的信念和結論無效。假設檢驗的關鍵區(qū)域是所有結果的集合，如果它們發(fā)生，將導致我們決定存在差異，也就是說，如果零假設是假的，并且接受替代方案被拒絕假設44。在本節(jié)中，我們詳細介紹了應用雙尾假設檢驗來測試擬議模型（WPT-LSSVM-PSOSA）的效率的結果。假設檢驗定義如下：H0：l1l2l3 H1：11-123其中l(wèi)1表示實際數(shù)據(jù)的平均值