基于SVM方法的风电场短期风速预测
基于支持向量机的风速与风功率预测方法研究
基于支持向量机的风速与风功率猜测方法探究摘要：为了提高风电发电效率，准确猜测风速与风功率成为一个重要问题。
本文基于支持向量机（Support Vector Machine, SVM）算法，探究了风速与风功率之间的干系，并提出了一种基于SVM的新型猜测方法。
起首，对风速与风功率数据进行采集，并进行预处理；然后，使用SVM算法进行训练和猜测，并对结果进行评估。
试验结果表明，本文提出的方法具有较高的准确性和稳定性，可以为风电发电提供参考。
1. 引言风力发电是一种可再生能源，得到了广泛应用。
准确猜测风速与风功率对提高风力发电效率具有重要意义。
目前，许多学者和工程师已经对风速与风功率的猜测进行了大量探究。
其中，基于SVM的方法能够对非线性问题进行有效建模和猜测，因此成为探究的热点。
2. 数据采集与预处理在本探究中，我们采集了风速与风功率的真实数据，并进行了预处理。
起首，使用传感器对风速进行测量，并定期记录。
同时，我们也记录了同时段的风力发电机的发电功率数据。
然后，对采集到的数据进行去噪、归一化等预处理步骤，以提高数据的质量和可用性。
3. 支持向量机算法支持向量机算法是一种基于统计进修理论的非线性建模和猜测方法。
在本探究中，我们使用SVM算法对风速与风功率之间的干系进行建模和猜测。
起首，将数据集分为训练集和测试集，其中训练集用于训练模型，测试集用于评估模型的准确性。
然后，使用SVM算法对训练集进行训练，得到模型的参数和权重。
最后，使用得到的模型对测试集进行猜测，并计算猜测结果与实际结果之间的误差。
4. 试验结果与谈论我们对采集到的风速与风功率数据进行了试验，并使用了本文提出的基于SVM的猜测方法进行了训练和猜测。
试验结果表明，使用SVM算法进行风速与风功率猜测具有较高的准确性和稳定性。
同时，我们还进行了与其他方法的比较试验，结果显示本文提出的方法在准确性和稳定性上都优于其他方法。
5. 结论与展望本文基于支持向量机算法探究了风速与风功率之间的猜测方法，并提出了一种新的基于SVM的猜测方法。
基于EEMD和LS-SVM模型的风电功率短期预测方法
基于EEMD和LS-SVM模型的风电功率短期预测方法程启明;陈路;程尹曼;张强;高杰【摘要】原始风速信号具有的间歇波动性特征给风电场的功率预测带来了挑战,采用集合经验模态分解(EEMD)法将原始风速信号分解为频域稳定的子序列,有效地提高了预测精度,避免了传统经验模态分解(EMD)存在的模态混叠现象.提出一种改进型果蝇优化算法(FOA),将风速子序列重构参数和最小二乘支持向量机(LS-SVM)参数作为优化目标建立风速预测模型,扩大了参数搜索范围,提高了优化收敛速度;通过风速-风功率转化关系可以求得风电场的功率值.实验结果验证了所提方法相比于EMD和LS-SVM预测方法具有更高的预测精度.【期刊名称】《电力自动化设备》【年(卷),期】2018(038)005【总页数】9页(P27-35)【关键词】微电网;功率预测;风电场;模态分解;支持向量机;相空间重构;果蝇优化算法【作者】程启明;陈路;程尹曼;张强;高杰【作者单位】上海电力学院自动化工程学院上海市电站自动化技术重点实验室,上海200090;上海电力学院自动化工程学院上海市电站自动化技术重点实验室,上海200090;上海电力公司市北供电分公司,上海200041;上海电力学院自动化工程学院上海市电站自动化技术重点实验室,上海200090;上海电力学院自动化工程学院上海市电站自动化技术重点实验室,上海200090【正文语种】中文【中图分类】TM6150 引言风功率预测是评估风电场运行状态的基础，其随机波动特性给电网安全运行带来了挑战[1]。
为了保证电力系统安全稳定可靠运行，缓解电力系统调峰、调频压力，必须提高风电功率预测的精度[2]。
对于风电功率预测，主要是基于风电场的历史数据[3]、数值天气预报NWP(Numerical Weather Prediction)[4]、地理位置和气象环境因素[5]、风速-风功率转化特性[6]，结合物理、统计及组合等预测模型，实现多时间尺度的预测[7]。
毕业设计(论文)-基于粒子群优化最小二乘支持向量机的短期风速预测[管理资料]
![毕业设计(论文)-基于粒子群优化最小二乘支持向量机的短期风速预测[管理资料]](https://img.taocdn.com/s3/m/2f9a98f0a6c30c2258019e73.png)
基于粒子群优化最小二乘支持向量机的短期风速预测摘要为了能够减少或消除风电开发并网带来的对电网的稳定性的不良影响，风电场风速的短期预测已经成为各个国家共同关注的问题。
风电场风速的准确预测，对风电场的规划计划设计、大型风场中风电机组开停机计划的安排、保持电网的安全稳定性、提高经济效益和社会效益都有很重要的意义。
本文的历史风速数据来自我校校史馆处的风速采集器，模拟风电场风速进行短期的风速预测。
本文采用粒子群优化最小二乘支持向量机(PSO-LSSVM)方法对风电场进行短期风速预测。
并与支持向量机(SVM)、最小二乘支持向量机(LS-SVM)进行分析对比，体现经过粒子群优化后预测准确度的优势。
粒子群优化算法(PSO)分别对LS-SVM的超参数γ和核函数2δ进行优化，从而使最小二乘支持向量机(LS-SVM)对短期风速预测的结果更加准确。
本文的三种模型支持向量机(SVM)、最小二乘支持向量机(LS-SVM)、基于粒子群优化最小二乘支持向量机(PSO-LSSVM),利用实际数据对模型进行训练和测试，提前一步（即一个小时）对风速进行预测，并把三种模型的预测值与下一时刻的实际风速值进行比较，体现粒子群优化最小二乘支持向量机(PSO-LSSVM)模型的准确度高、收敛性好。
为PSO-LSSVM模型实际运用提供理论支持。
关键词：风力发电、风速预测、粒子群优化算法、支持向量机、最小二乘支持向量机、PSO-LSSVMParticle swarm optimization based on LS-SVM prediction ofshort-term wind speedAbstractIn order to reduce or eliminate the development of wind power grid stability of the grid caused by the adverse effects of short-term forecast wind speed has become a common concern of all countries. Accurate forecasts of wind speed, wind farm planning program on the design of large-scale wind turbine open stroke down to planned arrangements and to maintain security and stability of the grid and improve the economic and social benefits are very important significance. This historical wind speed data from the wind speed at my school History Museum collection, short-term simulated wind speed wind speed forecast. In this paper, particle swarm optimization support vector machine (PSO-LSSVM) method of short-term wind speed prediction. And with the support vector machine (SVM), least squares support vector machines (LS-SVM) for analysis and comparison of expression through particle swarm optimization after prediction accuracy advantage. Particle swarm optimization (PSO) on the LS-SVM, respectively, the hyper parameters and to optimize the kernel function, so that the least squares support vector machines (LS-SVM) the results of short-term wind speed forecasting more accurate. Three models of this paper support vector machine (SVM), least squares support vector machines (LS-SVM), based on particle swarm optimization support vector machine (PSO-LSSVM), the model using actual data for training and testing, early step (That is one hour) to predict wind speed and the three models predicted the actual wind speed and the next moment the value is verified by comparing PSO support vector machine (PSO-LSSVM) the accuracy of model and convergence is good. The practical application of PSO-LSSVM models provide theoretical support.KEY WORDS: wind power generation、wind speed forecasting、PSO、SVM、LS-SVM、PSO-LSSVM目录摘要 (I)Abstract........................................................ I I 第一章绪论 (1)123风速预测的基本方法 (3)国外风速短期预报研究现状 (4)国内风速短期预报研究现状 (4)支持向量机在风速预测中的发展 (5)第二章支持向量机概述 (7)78VC维概述 (8)支持向量机（SVM）算法 (9)支持向量机用于回归 (11)SVM实现风速预测与预测结果 (12)17LS-SVM与SVM的区别 (17)LS-SVM原理 (18)第三章最小二乘支持向量机的短期风速预测 (20)2021网格搜索法 (21)24基于LS-SVM短期风速预测MATLAB程序 (24)基于LS-SVM预测值与实际值的比较 (25)28粒子群优化算法的定义 (28)粒子群优化算法的初始化 (28)PSO算法介绍 (28)PSO的参数设置 (29)第四章基于粒子群优化最小二乘支持向量机的短期风速预测 (31)3131粒子群优化算法的思想 (31)粒子群优化最小二乘支持向量机的构建 (33)粒子群优化最小二乘支持向量机预测模型 (34)34基于PSO-LSSVM短期风速预测MATLAB程序 (34)基于PSO-LSSVM短期风速预测值与实际值的比较 (36)第五章对比与分析 (38)结论 (41)参考文献 (42)致谢 (44)第一章绪论1.1研究背景风速的准确预测是风电项目可行性研究现阶段的主要工作，风的功率和具有的能量是风力发电系统设计的主要依据，是选择风力发电机功率、确定风力发电机的启动风速和停止风速以及保证电网安全稳定的主要依据，所以只有在对一个区域的风能资源进行准确考察和计算以后，才能确定适当的风电参数。
基于SVM的风速风功率预测模型
基于SVM的风速风功率预测模型SVM模型在机器学习和数据挖掘中得到了广泛的应用。
在风力发电中，风速和风功率的预测是非常重要的，在这篇文章中，我们将介绍如何使用SVM模型来进行风速风功率预测。
一、问题背景随着全球气候变化的趋势，各国的可再生能源发展逐渐受到重视。
其中，风力发电作为一种具有广阔前景的新兴产业，吸引了众多投资者的关注。
在风力发电中，风速是影响风力机输出功率的主要因素。
因此，精确地预测风速和风功率是非常重要的。
二、相关理论2.1 SVM模型支持向量机（Support Vector Machine，简称SVM）是一种基于统计学习和人工智能的方法。
在SVM中，数据被视为点在高维空间中的点，SVM尝试在这个空间中找到一个超平面，将数据分为两类。
SVM的主要目标是最大化这个超平面与数据之间的最小距离。
SVM模型的主要流程为：数据预处理、模型训练和模型测试。
2.2 风速与风功率之间的关系在风力发电中，风速和风功率之间的关系如下：P = ½ρAV³其中，P是风力机的输出功率（kW），ρ是空气密度（kg/m³），A是叶片面积（m²），V是风速（m/s）。
可以看出，风速对风功率的影响是非常大的。
因此，准确地预测风速对于预测风功率非常重要。
三、数据预处理在进行SVM模型训练之前，需要对数据进行预处理。
预处理包括数据清洗、数据归一化和特征选择等步骤。
3.1 数据清洗数据清洗是指对原始数据进行筛选、去重、修正、填充等操作。
这个步骤的目的是使数据具有可靠性和准确性。
在风速风功率预测中，根据采集数据的时间和地点等因素，首先需要进行数据筛选，去掉无效数据和异常数据。
然后根据实际情况进行数据修正和填充，使数据更加准确和完整。
3.2 数据归一化数据归一化是为了使数据具有可比性和可解释性，是SVM模型训练的重要步骤。
数据归一化方法包括最大-最小归一化、Z-Score标准化和小数定标标准化等。
基于支持向量机回归的短期风速预测方法的研究
基于支持向量机回归的短期风速预测方法的研究针对风力发电中的短期风速预测方法研究的不足，文章提出了一种基于支持向量机回归的短期风速预测方法和模型。
提出的方法首先选取风电场采集的样本数据，进行预处理后，确定出样本训练集和测试集；在选择向量机核函数后，确定SVM模型待寻优参数，最后利用寻优的最佳参数来训练SVM模型，通过模型来预测未来某一时刻的风速值。
文章提出的方法在风速负荷的预测精度和预测方法的收敛速度等方面都有了提高，该方法具有重要的现实意义和应用前景。
标签：风力发电；支持向量机；寻优参数1 概述当前，风力发电对合理改善能源结构、合理保护生态环境、合理保障能源清洁安全和实现经济的可持续发展有着十分重要的意义，这已经成为世界的共同发展目标。
但是，目前几乎大部分的风电机组输出功率都具有如下特点：具有间歇性、具有非线性、具有变化速度快、波动范围很大。
想要实现风电的规模化发展，从而优化电网的调度，加强风电市场的竞争力和活力，那么风电场就必须开展风电功率预测的预报和预警，必须具备日预报甚至实时预报能力[1]。
因此，对风电场的风速预测，尤其是超短期、短期预测，可以有效的改善风电并网对电力系统的影响，对发电场制定更合理的发电规划具有重要作用。
短期风速预测是风电并网中的关键技术，并发挥重要的作用，如何制定合理的短期风速预测模型，研究出短期风速预测方法是亟需解决的问题，并且也具有广阔的市场前景和应用前景[2-3]。
文章的目的在于针对现有短缺风速预测方法存在的问题，提出了一种基于支持向量机回归的短期风速预测方法和模型。
在短缺风速的预测精度和预测方法的收敛速度等方面都有了提高，该方法具有重要的现实意义和应用前景。
2 基于改進的支持向量机回归的方法针对短缺风速预测的特点，提出了一种基于改进的支持向量机回归的方法，具体流程如图1所示。
（1）初始化。
首先设定参数节点集大小m、最大搜索代数Kmax、临时局部网络的值Ni、连接搜索概率值Ps和节点邻域值l，将搜索代数的初值kg设置为1，最后设置随机产生初始值个数有关的值M，C、？滓的搜索范围。
基于PSO优化LS-SVM的短期风速预测
基于PSO优化LS-SVM的短期风速预测随着能源需求的不断增加，在风电领域，短期风速预测已经成为了至关重要的问题。
短期风速预测的准确性直接影响着风电发电量的稳定性和经济效益。
然而，由于风速的不可控性、时空随机性，使得短期风速预测成为了一个具有难度的问题。
因此，通过利用机器学习算法来提高短期风速预测的准确性成为了一种研究方向。
在机器学习算法中，支持向量机(SVM)已被广泛应用于短期风速预测。
然而，后来的研究表明，传统的SVM算法在寻找合适的参数时，存在依赖于启发式算法的问题，对算法的性能和效率会产生巨大的影响。
为提高短期风速预测的准确性， PSO优化LS-SVM 的算法逐渐被引入到短期风速预测中。
PSO算法是一种基于群体智能的搜索算法，具有简单、快速、准确等优点。
LS-SVM则是一种非常有效的SVM改进算法，它将SVM的参数调整转化为线性方程组求解问题，能够大大加快寻找最优参数的速度。
因此，PSO优化LS-SVM结合起来，能够有效地提高短期风速预测的准确性和效率。
下面我们具体介绍一下PSO优化LS-SVM的算法原理以及在短期风速预测中的应用：首先，介绍一下PSO算法的原理：PSO算法是一种基于群体智能的搜索算法，主要由位置、速度和适应度三个组成部分构成。
其中，位置是搜索空间中的一个可行解的点，速度是搜索空间内的每个个体前往目标点的速度，适应度则是用来衡量每个个体的优劣程度。
通过不断迭代，在群体机理的作用下，所有个体逐渐向最优解点的位置移动，从而实现全局最优化搜索。
其次，介绍LS-SVM的原理：SVM算法本质上是一个二次优化问题，其需要找到一个使得目标函数最小化的最优解。
然而，SVM算法的优化时间较长，LS-SVM 则通过转化为线性方程组求解问题的方式，大大增加了算法的效率和准确性。
最后，介绍PSO优化LS-SVM的算法流程：1. 首先，输入需要预测的风速时间序列和历史数据，对数据进行处理和预处理；2. 将历史数据集作为训练数据，将风速当作目标变量，使用PSO算法对 LS-SVM 进行优化；3. 在训练过程中，利用PSO算法对 LS-SVM算法的多个参数进行调整，得到最佳的参数组合；4. 将最佳参数组合应用于测试集的预测，并通过误差指标来评估预测精度，如均方根误差（RMSE）、平均绝对误差（MAE）和平均相对误差（MRE）等；5. 通过上述评估指标来评估此算法的性能和效率。
基于VMD-JAYA-LSSVM的短期风电功率预测
目前，用于短期风电功率的预测方法主要有神 经网络(N N )、灰色理论(G M )、极限学习机(K L M )
和支持向量机(S V M )等 。文献[2]和文献[3]分别采用 回声状态网络(E S N )和B P 神经网络训练历史数据对 风电功率进行预测，提高了预测精度，但需要大量 的历史数据且训练时间长。文献[4]提出G M (1,1)和 灰 色 Verhulst两 种 灰 色 理 论 预 测 模 型 对 风 电 功 率 进 行 预 测 ，所 需 历 史 数 据 少 ，但 是 预 测 精 度 低 。文献 [5]利用核极限学习机(E K L M )对风速进行预测建模， 结合风电场风功特性曲线得到对应风电功率预测值。
k
L
‘
(6)
效信号和噪音信号，从而实现降噪，防止模态混叠。 V M D 分解可等效成对变分问题求最优解，涉
及 3 个概念：经 典 W i e n e r 滤波、Hilbert变换和频率 混合[12]。
利 用 Parsever/Plancherel傅里叶等距变换，将 式(6)转变到频域，求得二次优化问题的解，如式(7) 所示。
假设)t个模态变量构成多分量信号/ , 并且各本 征模态函数、(〇的 中 心 频 率 为 叫 ，先 经 Hilbert变 换 ，计算单边谱并且获得^(〇的解析信号，如式(1)
_______i*k_________ z
(7)
l+2a (co - 〇)k)
第6 期
陶凯等：基于VMD-JAYA-LSSVM 的短期风电功率预测
(College of Internet of Things Engineering, Jiangnan University, W u x i 214122 China)
基于IFA-LSSVM的短期风功率预测
第47卷第4期2021年4月水力发电基于ILA-ESSVM的短期风功率预测谭彦聪1，2,王海云1>2,王江江1工(1.新疆大学电气工程学院，新疆乌鲁木齐830047； 2.新疆大学教育部可再生能源发电与并网控制工程技术研究中心，新疆乌鲁木齐830047)摘要：为避免风力发电随机性、波动性对电网调度的影响，同时基于风功率预测在微电网和风储系统等热点研究问题中的应用必要性，建立基于改进萤火虫算法%IFA)优化最小二乘支持向量机%LSSVM)的短期风功率预测模型#首先，利用混沌映射及步长因子自适应调整方法对萤火虫算法进行创新性改进，增强其全局搜索能力，又解决了局部震荡问题；其次，针对LSSVM参数选择的盲目性对预测精度造成严重影响的问题，运用改进的萤火虫算法对LSSVM模型参数进行优化；最后，将本文所提模型应用于新疆某风电场，对本文预测模型和常用PSO-ESSVM预测模型以及未改进fafssvm预测模型的预测结果进行对比#结果表明，本文预测模型精度更高、稳定性更强#关键词：风功率预测；最小二乘支持向量机；改进萤火虫算法；混沌映射；步长因子Short-term Wind Power Prrdiction Based on IFA-LSSVMTAN Yanccng1'-,WANG Haiyun1,2,WANG Jiangjiang1'-(1.School oS Electrical Engineering,Xinjiang University,Urumqi830047,Xinjiang,China;2.Research Center for Renewable Energy Power Generation and Grid Control Engineering oS Ministii oS Education,Xinjiang University,Urumqi830047,Xinjiang,China)Abstracc:To avvid the influence oS the randomness and velatility oS wind power generation on grid dispatching and considering thenece s ityoowind poweepeediction in hoteeseaech i s uessuch asmiceogeid and wind stoeagesystem,ashoet-teem wind power prediction model based on improved firety algorithm(IFA)optimized least square support vector machine(LSSVM)is estaboished.Fistoy,theoieooyaogoGithm isinnoeatieeoy impGoeed byusingchaoticmapping and step-si ye oactoGadaptiee adjustment method to enhance its global search ability and solve the local oscillation problem.Secondly,in view oS the problemthat the blindness oS LSSVM parameter selection has a serious impact on the prediction accuracy,the improved firety algorithm isused tooptimiyetheLSSVM modeepaeametees.Fina e y,thepeoposed modeeisappeied toawind faem in Xiniiang,and the peediction eesuetsaeecompaeed with thatofthecommoneyused PSO-LSSVM peediction modeeand theunimpeoeed FA-LSSVM peediction modee.Theeesuetsshowthatthepeoposed peediction modeeismoeeaccueateand stabee.Key Wordt wind powe ep eediction;eeast squa ees suppo et eecto emachine;imp eo eed fieefeyaegoeithm;chaoticmapping;step-siyefactoe中图分类号：TM614文献标识码：A文章编号：0559-9342%2021)04-0112-050引言由于风力发电具有随机性、波动性，这使得风电发展受到了很大程度的制约(1),而风功率的短期预测有利于调整日内发电计划，提高电网风电消纳能力；同时，对于含储能的风电系统风功率预测的研究有利于解决风储系统过充或过放问题(在含风电的微电网研究上，不断提高短期风功率预测精度是含风电的微电网系统制定能量调度策略、调整调度计划的关键所在［3I O所以上述研究均需要稳定性和精度更高的风功率预测模型作为研究支撑。
基于SVM-Markov模型的短期风速组合预测
速时间序列 记 为 ｛ｘｔ，ｔ＝１，２，…，ｎ｝，将 原 数 据 序 列 进 行 相 空 间 重 构，构 造 样 本 对 （Ｘｔ，Ｙｔ），其 中 Ｘｔ＝ ｛ｘｔ－ｍ ，ｘｔ－ｍ＋１，…，ｘｔ－１｝，Ｙｔ＝ｘｔ，ｍ 为输入 向 量 的 维 数，通 过 仿 真 实 验 确 定 维 数 ｍ 为 ４。 用 训 练 集 样 本 训练 ＳＶＲ 回归预测模型。②采用二次 网 格 搜 索 法 确 定ε、Ｃ 和σ 最 优 选 取，可 以 有 效 地 避 免 过 拟 合 现 象。③利用训练好的回归模型预测测试集风速样本 。④将风速预测值与风速实际 值 进 行 比较，计 算误 差 ，评 价 模 型 性 能 。
第２期 鲍庭瑞：基于 ＳＶＭ－Ｍａｒｋｏｖ模型的）主要有 Ｖａｐｎｉｋ提出的ε－ＳＶＲ，ε为不 敏 感 函 数。ε－ＳＶＲ 利 用 非 线 性 映 射 将 样 本 数 据映射到一个高维特征空间，然后在此高维特征空间上进行线性回归分析 。支持向 量 机 基 本原 理 在 文
１ 回归支持向量机预测
支持向量机分为线性可分、非 线 性 可 分 和 核 函 数 映 射 ３ 种 情 况。 回 归 支 持 向 量 机 （ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ
收 稿 日 期 ：２０１８－１１－１６；修 回 日 期 ：２０１８－１２－０２ 作 者 简 介 ：鲍 庭 瑞 （１９８０－ ），男 ，安 徽 池 州 人 ，硕 士 ，讲 师 ，从 事 电 气 自 动 化 专 业 的 教 学 与 研 究 。
鲍庭瑞
（安徽工业职业技术学院 ，安徽 铜陵 ２４４０００）
摘 要：文章先建立 ＳＶＭ 风速预测模型对风速进行初步预测，再根据风速的 Ｍａｒｋｏｖ转换概率求取预 测 风 速 的置信区间及其中值 ，将置信区间中值与初步预测值按照 一 定 的 权 值 进 行 组 合，并 对 权 值 进 行 自 适 应 调 整 得 到组合预测值 。仿真结果表明，风速组合预测值比初步预测值具有更高的精度。 关 键 词 ：风 速 预 测 ；支 持 向 量 机 ；马 尔 可 夫 链 ；置 信 区 间 ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７１－６２２１．２０１９．０２．０１２ 中 图 分 类 号 ：Ｐ４１２．１６ 文 献 标 识 码 ：Ａ 文 章 编 号 ：１６７１－６２２１（２０１９）０２－００４０－０４
基于WRF模式和PSO-LSSVM的风电场短期风速订正
基于WRF模式和PSO-LSSVM的风电场短期风速订正叶小岭;顾荣;邓华;陈浩;杨星【摘要】Wind speed forecasting is the base and precondition of wind power prediction of wind farm. The Numerical Weather Prediction (WRF) model is used to predict wind speed. In order to improve the accuracy of WRF model, the Least Square Support Vector Machine (LSSVM) is used to correct the wind speed of the output of the WRF model. At the same time, in order to improve the accuracy of the LSSVM model and reduce the complexity of the fitting process, Particle Swarm Algorithm (PSO) is used to optimize the parameters. Experimental results show that the LSSVM can further reduce the error of WRF model in predicting wind speed sequence, and the relative root mean square error and the relative to the average absolute error are reduced by 5%~10%, the RMS error decreased by 0.5m/s. Compared with without optimized LSSVM and ELM, PSO-LSSVM has a better correction effect in wind speed predicting by WRF to improve the accuracy of wind speed forecasting.%风速预测是风电场风电功率预测的基础与前提,以数值天气预报(WRF模式)为基础进行风速预测,为了提高WRF模式预测的准确性,采用最小二乘支持向量机(Least Squares Support VectorMachine,LSSVM)对WRF模式输出的风速进行订正.同时,为提高LSSVM算法的精确度和减小拟合过程的复杂度,采用粒子群优化算法(Particle Swarm Optimization,PSO)对其参数进行优化.试验结果表明:采用LSSVM订正可以进一步减小WRF模式预测风速的误差,再经过PSO优化后,相对均方根误差和相对平均绝对误差降低了5%~10%,均方根误差下降了0.5 m/s.与未经优化的LSSVM以及极限学习机(ELM)算法对比分析后得出,粒子群优化最小二乘支持向量机(PSO-LSSVM)对WRF模式预测的风速有较好的订正效果,能进一步提高风速预测的准确性.【期刊名称】《电力系统保护与控制》【年(卷),期】2017(045)022【总页数】7页(P48-54)【关键词】风力发电;风速订正;WRF模式;PSO-LSSVM;预测效果【作者】叶小岭;顾荣;邓华;陈浩;杨星【作者单位】南京信息工程大学信息与控制学院,江苏南京 210044;南京信息工程大学气象灾害预报预警与评估协同创新中心,江苏南京 210044;南京信息工程大学信息与控制学院,江苏南京 210044;南京信息工程大学信息与控制学院,江苏南京210044;南京信息工程大学气象灾害预报预警与评估协同创新中心,江苏南京210044;南京信息工程大学信息与控制学院,江苏南京 210044;南京信息工程大学信息与控制学院,江苏南京 210044【正文语种】中文随着人类对能源需求的不断增加，传统的煤、石油、天然气等化石能源被大量开采，储量大幅度下降，同时化石能源的过度使用也造成了温室效应、环境污染等问题，所以清洁能源的开发和使用迫在眉睫[1]。