论文研究-基于改进Mycielski方法的风速预测.pdf

所需积分/C币:13 2019-09-20 17:42:17 672KB .PDF

论文研究-基于改进Mycielski方法的风速预测.pdf,  风速的建模和预测对有效利用风能有着重要意义, 由于风速时间序列为非正态分布且有易变性, 应用统计建模的方法来精确预测风速往往较困难. 本文基于一种类似于高阶马尔可夫链的Mycielski方法来预测风速, 为提高预测精度, 风速状态被重新定义在一个较小的范围内, 然后在历史数据序列中搜寻最长长度的重复序列. 数值实验和比较结果的F
1086 系统工程理论与实践 第33卷 14001-1600016001-18000,18001-20000五个区域,划分多个数据段来分别考察是为更全面充分地比较算法 所得到结果的性能.性能指标平均绝对误差值如下定义: MAE ()-() 均方误差值如下定义 ME=∑()-2()2 这里,N表示预测数目的总数,x表示实际观测值,表示预测值·表示绝对值 15 图1原始风速序列(数据A) 图2原始风速序列(数据B) 15 1000111000120001300014000150001600017000180001900020000 图3风速预测误差(数据A 15 10001110001200013000140015000160001700018000190002000 图4风速预测误差(数据B) 第4期 甘敏,等:基于改进 Mycielski方法的风速预测 1087 表1预测误差统计结果 预测 Mycielski方法1 改进的 Mycielski方法 数据 平均绝对误差(MAE)均方误差(MSE)平均绝对误差(MAE)均力误差(MSE 10001-12000 0.7975 1.2220 0.6393 0.8737 12001-14000 0.7560 0.9684 0.6248 0.7627 数据A 11001-16000 0.7599 1.0090 0.6585 0.8608 1600118000 0.8053 1.2545 0.6900 0.9880 1800120000 0.8003 1.1107 0.7239 1.0256 总体1000120000 0.7838 1.1129 0.6673 0.9022 1000112000 0.87 1.3217 1.1074 12001-14000 0.9620 1.6915 0.9175 1.6111 数1400116000 0.9443 1.6231 0.8578 1.3391 l6001-18000 0.8479 1.2112 0.7663 1.0451 B 18001-20000 0.7884 1.1083 0.6895 0.8491 总体10001-2000 0.8839 13912 0.8053 1.1904 从表1中可以看到,改进后的 Mycielski方法在各数据段上预测误差一般都减小了10%20%.在总体数 据上对于数据A,改进后的 Mycielski方法的平均绝对预测误差减小了149%,均方误差减小了18.9%;对于 数据B.改进后的 Mycielski方法的平均绝对预测误差减小了8.9%,均方误差减小了144%.因而,改进的方 法的确有了更好的预测性能.图3和图4给出了对数据A和数据B的预测误差,可以看到改进的 Mycielski 方法得到了较小的预测误差 下面我们考察一下改进的 Mycielski方法的预测误差是否在统计意义上显著小于原有的算法.设原有的 Mycielski方法所得到的预测误差方差为a1,改进后的 Mycielski方法所得到的预测误差方差为o2.原假设 对立假设 统计量F=3,其中S1和S2按下式计算 N c(i)=x()-(2) e()= ∑ 表2和表3给出了数据A和数据B的各数据段预测误差的统计量F的值.对于各分段预测数据而 言,在0.01的显著水平下,第一和第二自由度为199的F分布临界值F01(199,199=1.1097;从表2 和表3中的结果可以看到,除了数据A的1800120000和数据B的120014000数据段外,其它数据段的 F值全大于临界值,因而,在这些数据段上要否定假设Ho,接受假设H1,即改进后的 Mycielski方法预测误 差要显著小于原始 Mycielski方法的.对于总体预测数据而言,第一和第二自由度为999的F分布临界值 ou1(99099g910476;显然数据A和数据B的F值都大于这个临界值,因而,要否定假设H0,接受假 设H1.对于数据A的18001-20000和数据B的12001-14000数据段,在001的显著水平下F统计量接受 了Ho假设,这说明在此数据段上区别不了预测误差孰优孰劣,即它们的预测性能相似.从以上的分析我们可 以得出,改进的 Mycielski方法在预测精度上得到了显著提高 表2预测误差的F统计值(数据A) 数据10001-1200012001-1400014001-1600016001-1800018001-20000总体10001-20000 F值 1.3999 1.2709 1.1713 1.2694 1.0791 1.2328 表3预测误差的F统计值(数据B) 数据10001-1200012001-14014001-1600016001-1800018001-2000总体10001-20000 F值 1.1912 1.0489 1.1552 1.3023 1.1665 1088 系统工程理论与实践 第33卷 表4给出了用改进的 Mycielski方法与支持 向量机(SVM)、模糊逻辑系统(FLS)预测方法在 表4预测误差统计结果 各数据段和总数据上的预测均方误差值.从表中 预测 SM方法FLS方法改进的 Mycielski 可以看到,改进的 Mycielski方法与支持向量机 数据 均方误差均方误差方法均方误差 模糊逻辑系统预测方法相比,各有某些数据段比 (MSE) (MSE) (MSE) 对方要好,从总体上看它们也取得了比较相近的 10001-120000.75990.9954 0.8737 结果.这也表明研究者可能可以结合这些不同方 12001-14000 0.49240.6956 0.7627 数14001-160000.47780.7618 0.8608 法来取得更好的预测效果 据16001-18000 1.1465 0.9880 4结束语 A18001-20000 1.37251.2231 1.0256 总体10001-200000.904909645 0.9022 Mycielski方法是对短期风速建模与预测的 10001-12000 1.63781.1569 1.1074 种新方法,它利用全部历史数据进行预测,算法 2001-14000 1.201012459 1. 6111 容易实现也有较高预测精度.为使能用 Mycielski数14001-160001.147712348 1.391 算法对风速预测, Hocaoglu等10把实数的风速据1601800.68960.8198 1.0451 观测值转换为整数的风速状态.本文为进一步提B18001200004800.7201 0.8491 高预测精度,把定义风速状态的近似半径缩小并_总体100410951904 用国内两个风电场的大量数据来测试改进后的算 法.实验结果表明改进后的算法在两组数据的各种数据段上的预测精度都要小于原始的 Mycielski算法,同 时F检验结果也表明改进的 Mycielski方法使预测精度得到了显著提高.今后的研究工作是探索能否结合 其它方法如马尔可夫链、空间相关叫等方法来降低不确定性和提高预测精度. 参考文献 1 Barbounis T G, Theocharis J B, Alexiadis M C, et al. Long-term wind speed and power forecasting using local recurrent neural network models[J. IEEE Transactions on Energy Conversion, 2006, 21(1):273-284 2]丁明张立军,吴义纯.基于时间序列分析的风电场风速预测模型J.电力自动化设备,2005,25(8):3234 Ding M, Zhang L J, Wu Y C. Wind speed forecast model for wind farms based on time series analysis[J]. Electric Power Automation Equipment, 2005, 25 (8):32 34 ]潘迪夫,刘辉,李燕飞.基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型[J.电网技术,2008,32(7):82 Pan D F, Liu h, li Y F. A wind speed forecasting optimization model for wind farms based on time series analysis and Kalman filter algorithm J. Power System Technology, 2008, 32(7):82-85 [4]刘辉,王红旗,李燕飞.基于小波分析法与滚动式时间序列法的风电场风速短期预测优化算法J.中南大学学报:自然科 学版,2010,41(1):370375 Liu h, Tian H Q, Li Y F Short-term forecasting optimization algorithm for wind speed from wind farms based on wavelet anlalysis Inethod and rolling time series Nethod]. Journal of Central South University: Science and Technology,2010,41(1):370-375 5]蒋小亮,蒋传文,彭明鸿,等、基于时间连续性及季节周期性的风速短期组合预测方法[.电力系统自动化,2010,34(15) 75-79. Jiang X L, Jiang C W, Peng M H, et al. A short-term combination wind speed forecasting method considerin seasonal periodicity and time-continuityJ. Automation of Electric Power Systems, 2010, 34(15 75-79 6 Pourmousavi Kani S A, Ardehali MM. Very short-term wind speed prediction: A new artificial neural network- Markov chain model[J]. Energy Conversion and Management, 2011, 52(1): 738-745 7]甘敏,彭晓燕,彭辉.RBF神经內络参数估计的内种混合优化算法[.控制与决策,209,24(8):1172-1176 Gan M, Peng X Y, Peng H. Two hybrid paramotor optimization algorithms for RBF neural nctworks[J. Contro and Decision,2009,24(8):1172-1176 8 Shamshad A, Bawadi M A, Wan Hussin W M A, et al. First and second order Markov chain models for synthetic generation of wind speed time series[J. Energy, 2005, 30: 693-708 9 Sahin A D, Sen Z First-order Markov chain approach to wind speed modellingJ. Journal of Wind Engineering and Industrial AerodynamiCs, 2001, 89(3-4): 263-269 10 Hocaoglu F O, Fidan M, Gere O N. Mycielski approach for wind speed prediction J. Energy Conversion and Management,2009,50(6):1436-1443 11 Barbounis G T, Theocharis J B. Locally recurrent neural networks for wind speed prediction using spatial correlation J. Information Sciences, 2007, 177(24 ) : 5775-5797

...展开详情
img
  • 至尊王者

    成功上传501个资源即可获取

关注 私信 TA的资源

上传资源赚积分,得勋章
    最新推荐