孫斌，姚海濤，李田，劉袖，劉博

（1.東北電力大學(xué)能源與動(dòng)力學(xué)院，吉林132012；2.空軍裝備研究院院務(wù)部，北京100085）

基于Fast ICA和改進(jìn)LSSVM的短期風(fēng)速預(yù)測(cè)

孫斌1，姚海濤1，李田2，劉袖1，劉博1

（1.東北電力大學(xué)能源與動(dòng)力學(xué)院，吉林132012；2.空軍裝備研究院院務(wù)部，北京100085）

對(duì)風(fēng)速的準(zhǔn)確預(yù)測(cè)能有效減輕風(fēng)電場(chǎng)對(duì)整個(gè)電網(wǎng)的不利影響，同時(shí)能提高風(fēng)電場(chǎng)在電力市場(chǎng)中的競(jìng)爭(zhēng)能力。首先提出一種基于快速獨(dú)立分量分析算法和改進(jìn)最小二乘支持向量機(jī)的風(fēng)速預(yù)測(cè)模型，對(duì)運(yùn)用fast ICA算法對(duì)風(fēng)速時(shí)間序列進(jìn)行多層分解，得到一系列的獨(dú)立分量；然后運(yùn)用改進(jìn)最小二乘支持向量機(jī)模型對(duì)分解后的各獨(dú)立分量風(fēng)速進(jìn)行預(yù)測(cè)；最后對(duì)各預(yù)測(cè)結(jié)果進(jìn)行疊加作為最終的預(yù)測(cè)風(fēng)速。算例結(jié)果表明，該預(yù)測(cè)模型能準(zhǔn)確進(jìn)行短期風(fēng)速的預(yù)測(cè)。

風(fēng)電場(chǎng)；風(fēng)速預(yù)測(cè)；fast ICA算法；最小二乘支持向量機(jī)

隨著風(fēng)能利用的加速發(fā)展，越來越多的大型風(fēng)電場(chǎng)將納入電網(wǎng)的統(tǒng)調(diào)，風(fēng)電在電網(wǎng)的比重越來越大，但是由于系統(tǒng)的最大負(fù)荷受限于風(fēng)電場(chǎng)穿透功率極限，因此當(dāng)負(fù)荷超過一定值，就會(huì)嚴(yán)重影響電網(wǎng)穩(wěn)定的運(yùn)行。而對(duì)風(fēng)速的準(zhǔn)確預(yù)測(cè)可以減少風(fēng)電場(chǎng)的旋轉(zhuǎn)設(shè)備和運(yùn)行成本，提高風(fēng)電穿透功率極限，幫助調(diào)度部門及時(shí)調(diào)整計(jì)劃，從而減輕風(fēng)能對(duì)電網(wǎng)的沖擊[1，2]。

目前，國內(nèi)外用于風(fēng)速預(yù)測(cè)的方法主要有持續(xù)預(yù)測(cè)法[3]、卡爾曼濾波法[4，5]、時(shí)間序列分析法[6～8]和神經(jīng)網(wǎng)絡(luò)方法[9～13]。以上預(yù)測(cè)方法大多都針對(duì)原始風(fēng)速序列，而且平均相對(duì)預(yù)測(cè)誤差通常達(dá)到20%[14]。由于風(fēng)速受溫度、氣壓、地形等多種因素的影響，具有很強(qiáng)的隨機(jī)性，同時(shí)包含著非常豐富的特征信息。通過對(duì)原始風(fēng)速序列進(jìn)行預(yù)處理，把不同特征的信息分解，將會(huì)降低建模難度，有望提高預(yù)測(cè)精度。近年來將小波分析[15，16]、經(jīng)驗(yàn)?zāi)Ｊ椒纸鈁17]等方法用于風(fēng)速預(yù)測(cè)已取得了很好的效果。

獨(dú)立分量分析ICA（independent component analysis）是近年來發(fā)展起來的一種新的盲源分離方法BSS（blind source separation）。自Comon[18]提出ICA的理論框架以來，已有多種算法用于解決各類實(shí)際問題。Fast ICA算法將多道觀察信號(hào)按照統(tǒng)計(jì)獨(dú)立的原則通過優(yōu)化算法分解為若干獨(dú)立分量，使變換后的各分量之間的統(tǒng)計(jì)依賴性最小。同時(shí)，這些獨(dú)立分量能夠突出原始數(shù)據(jù)的局部特征，有利于發(fā)掘數(shù)據(jù)的潛在規(guī)律，使得盲源信號(hào)分離技術(shù)使用廣泛化。

基于上述分析，本文首次將快速獨(dú)立分量分析fast ICA（fast independent component analysis）[19]應(yīng)用于風(fēng)速的短期預(yù)測(cè)中。運(yùn)用fast ICA算法對(duì)風(fēng)速原始序列進(jìn)行預(yù)處理，將之分解為若干個(gè)獨(dú)立分量。利用最小二乘支持向量機(jī)LSSVM（least squares support vector machine）對(duì)各獨(dú)立分量進(jìn)行建模預(yù)測(cè)，然后對(duì)各獨(dú)立分量的預(yù)測(cè)結(jié)果進(jìn)行疊加，得到最終的預(yù)測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明，基于該方法的風(fēng)速預(yù)測(cè)系統(tǒng)具有較高的預(yù)測(cè)精度，為工程應(yīng)用奠定了基礎(chǔ)。

1 快速獨(dú)立分量分析算法（Fast ICA）

Fast ICA是一種基于固定點(diǎn)（fixed-point）迭代理論來尋求非高斯性最大值的方法[20]。由中心極限定理可知，非高斯性可以作為隨機(jī)信號(hào)相互依賴的度量。所以當(dāng)非高斯性達(dá)到最大時(shí)，表明已完成對(duì)各獨(dú)立分量的分離。非高斯程度的大小，可以通過負(fù)熵判據(jù)來看。

1.1ICA基本理論

ICA線性模型為

式中：y（x）為離散t時(shí)刻的多路觀測(cè)值組成的矢量，y（x）=ωTω（x）+b；s（t）為源信號(hào)矢量，s（t）= [s1（t），s2（t），…，sN（t）]T；n（t）為噪聲矢量，n（t）= [n1（t），n2（t），…，xM（t）]T；A為未知的M×N滿秩混合矩陣。

ICA的目的就是要從觀測(cè)矢量x（t）中恢復(fù)出源信號(hào)矢量s（t），即找到一個(gè)分離矩陣

式中：wi為M×1的權(quán)矢量，i=1，2，…，N，通過y（t）=W（t）x（t）產(chǎn)生源信號(hào)的估計(jì)y（t）=[y1（t），y2（t），…，yN（t）]T，其中各分量統(tǒng)計(jì)獨(dú)立。

1.2 負(fù)熵判據(jù)

對(duì)于概率密度函數(shù)為p（y）的隨機(jī)變量y，負(fù)熵定義為

為方便計(jì)算，一種較好的負(fù)熵近似為

其中，G（·）為非二次函數(shù)。

1.3Fast ICA算法實(shí)現(xiàn)

1.3.1 預(yù)處理

在運(yùn)用ICA方法之前，適當(dāng)?shù)貙?duì)原始觀測(cè)信號(hào)進(jìn)行一些預(yù)處理是非常必要的，這可以使ICA的工作量大大減小，從而有利于提高ICA算法的效率，也能使問題更符合前述約束條件。信號(hào)預(yù)處理包括中心化和白化處理。中心化（去均值）是為了使實(shí)際的盲源分離問題能夠符合ICA數(shù)學(xué)模型，而白化則是對(duì)去均值后信號(hào)向量進(jìn)行線性變換，使得新向量~x的各個(gè)分量互不相關(guān)，且具有單位方差，即E（~x~x）=1。

1.3.2 獨(dú)立分量提取

對(duì)x進(jìn)一步處理，即依據(jù)數(shù)據(jù)的高斯矩使邊緣負(fù)熵最大化原則來尋找矩陣，以實(shí)現(xiàn)獨(dú)立分量的分離。依據(jù)牛頓迭代定理[21]，fast ICA算法的調(diào)整公式為

式中：w*為w的更新值，在每一次迭代后歸一化；~Rnn為零均值高斯隨機(jī)噪聲的協(xié)方差陣。

2 改進(jìn)最小二乘支持向量機(jī)的預(yù)測(cè)模型

2.1 最小二乘支持向量機(jī)原理

最小二乘支持向量機(jī)是支持向量機(jī)[22，23]的一種改進(jìn)算法，是將SVM算法中的不等式約束轉(zhuǎn)化為等式約束，采用最小二乘線性系統(tǒng)作為損失函數(shù)代替支持向量機(jī)所采用的二次規(guī)劃方法。其模型的結(jié)構(gòu)如圖1所示，基本原理表述如下。

圖1 支持向量機(jī)結(jié)構(gòu)Fig.1Configuration of support vector machine

式中：φ（·）為非線性變換映射函數(shù)，將輸入樣本數(shù)據(jù)映射到高維特征空間；ω為權(quán)向量；b為偏置量。

最小二乘支持向量機(jī)的目標(biāo)函數(shù)為

式中：ξj為誤差變量；γ＞0為懲罰系數(shù)。

引入拉格朗日函數(shù)進(jìn)行求解，得

式中，αj為拉格朗日乘子。

根據(jù)庫恩-塔克KKT（Karush-Kuhn-Tucker）條件，依次計(jì)算?L/?ω=0、?L/?b=0、?L/?ξ=0、?L/?αi=0，得到的線性方程組為

根據(jù)Mercer條件，核函數(shù)可寫為

由式（10）和式（11）聯(lián)立求出α和b后，得到LSSVM的非線性函數(shù)式為

式（12）中取不同的核函數(shù)生成不同的支持向量基，目前使用最多的核函數(shù)主要有多項(xiàng)式核函數(shù)、線性核函數(shù)、徑向基核函數(shù)RBF（radical basis function）等。由于RBF核函數(shù)結(jié)構(gòu)簡(jiǎn)單，泛化能力強(qiáng)，這樣需要優(yōu)化的參數(shù)最少，只有核參數(shù)σ和正規(guī)化參數(shù)γ。

2.2 改進(jìn)最小二乘支持向量機(jī)算法

標(biāo)準(zhǔn)支持向量機(jī)由于其支持向量αi多數(shù)都等于零，使其具有稀疏特性。而LSSVM由于支持向量值αi=γξi一般不為零，不再具有稀疏性，使得計(jì)算效率和所需的存儲(chǔ)空間都受到了影響。為了更好地利用LSSVM的優(yōu)點(diǎn)，本文采用剪枝算法使其具有稀疏性。通過修剪最小二乘支持向量機(jī)得到的支持向量值，從而修剪掉相應(yīng)的訓(xùn)練樣本的方法來實(shí)現(xiàn)其稀疏性。其具體的算法[24]如下。

（1）設(shè)置訓(xùn)練樣本數(shù)等于N；

（2）對(duì)于給定的N個(gè)訓(xùn)練樣本，利用第2.1節(jié)的算法訓(xùn)練最小二乘支持向量機(jī)，利用全部的訓(xùn)練樣本訓(xùn)練得到一組最優(yōu)參數(shù)（γ，σ），根據(jù)這組參數(shù)解求出αi；

（3）按照其αi絕對(duì)值大小進(jìn)行排序；

（4）根據(jù)αi的排列，將其中最小的M個(gè)αi所對(duì)應(yīng)的M個(gè)樣本刪去（一般情況下，M取為全部訓(xùn)練樣本數(shù)的5%）；

（5）保留余下的N-M個(gè)樣本點(diǎn)并設(shè)N=N-M；

（6）返回（2），對(duì)已減小訓(xùn)練樣本集進(jìn)行訓(xùn)練，直到用戶要求的分類器泛化能力開始下降為止。

循環(huán)訓(xùn)練雖然會(huì)影響運(yùn)行的速度，但是預(yù)測(cè)結(jié)果的準(zhǔn)確性將大大提高。

3 預(yù)測(cè)模型的建立

通過fast ICA分離后得到若干獨(dú)立分量，對(duì)這些獨(dú)立分量進(jìn)行相空間重構(gòu)。

根據(jù)G-P算法：對(duì)于時(shí)間序列x（1），x（2），…，x（t），…，x（N），當(dāng)嵌入維數(shù)為m和延遲時(shí)間為τ時(shí)，重構(gòu)相空間為

延遲時(shí)間τ和嵌入維數(shù)m的選取具有重要意義。其確定方法有很多，本文運(yùn)用自相關(guān)法和假近鄰法分別求取風(fēng)速時(shí)間序列的延遲時(shí)間和嵌入維數(shù)。然后用改進(jìn)LSSVM對(duì)重構(gòu)后的各個(gè)獨(dú)立分量分別進(jìn)行預(yù)測(cè)，再將預(yù)測(cè)的結(jié)果合成得到最終預(yù)測(cè)結(jié)果。其具體建模結(jié)構(gòu)如圖2所示。

圖2 風(fēng)速預(yù)測(cè)模型Fig.2Wind speed prediction model

4 算例及結(jié)果分析

本文以東北某風(fēng)電場(chǎng)2010-12的實(shí)測(cè)風(fēng)速時(shí)間序列作為實(shí)驗(yàn)樣本，每小時(shí)作為一個(gè)采樣點(diǎn)，選取其中連續(xù)500 h的風(fēng)速數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，如圖3所示。其中前350個(gè)風(fēng)速數(shù)據(jù)作為訓(xùn)練樣本，后150個(gè)風(fēng)速數(shù)據(jù)作為訓(xùn)練樣本用于檢驗(yàn)預(yù)測(cè)結(jié)果的準(zhǔn)確性。

圖3 原始風(fēng)速時(shí)間序列Fig.3Original wind speed time series

原始風(fēng)速時(shí)間序列（500點(diǎn)）的fast ICA分解結(jié)果如圖4所示。由圖可見，風(fēng)速時(shí)間序列經(jīng)過fast ICA處理后得到4個(gè)分離信號(hào)，其中分離信號(hào)Ⅰ為低頻成分，分離信號(hào)Ⅱ～Ⅳ分別為高頻成分。對(duì)原始信號(hào)運(yùn)用自相關(guān)法和假近鄰法分別求取風(fēng)速時(shí)間序列的延遲時(shí)間和嵌入維數(shù)，得到嵌入維數(shù)m為4，延遲時(shí)間τ為7，4個(gè)分離信號(hào)的嵌入維數(shù)和延遲時(shí)間如表1所示。相空間的重構(gòu)以分離信號(hào)Ⅰ為例，運(yùn)用式（13）對(duì)分離信號(hào)Ⅰ進(jìn)行相空間重構(gòu)，構(gòu)造M=N-（m-1）τ=329個(gè)相點(diǎn)，其中：N、M為重構(gòu)相空間向量數(shù)，N=350，M=329，然后對(duì)改進(jìn)LSSVM的預(yù)測(cè)模型進(jìn)行訓(xùn)練。

分別運(yùn)用訓(xùn)練好的改進(jìn)的LSSVM模型對(duì)4個(gè)分離信號(hào)進(jìn)行預(yù)測(cè)，再將各預(yù)測(cè)結(jié)果疊加，得到最終的預(yù)測(cè)結(jié)果，如圖5所示。同時(shí)本文運(yùn)用經(jīng)驗(yàn)?zāi)Ｊ椒纸釫MD（empirical mode decomposition）對(duì)原始風(fēng)速時(shí)間序列（500個(gè)點(diǎn)）進(jìn)行分解，經(jīng)EMD分解后的風(fēng)速時(shí)間序列產(chǎn)生6個(gè)IMF即C1～C6和1個(gè)剩余分量r7，如圖6所示。運(yùn)用同樣的方法進(jìn)行建模預(yù)測(cè)，最終的結(jié)果如圖7所示。

圖4 Fast ICA算法分解結(jié)果Fig.4Results of Fast ICA algorithm decomposition

表1 各個(gè)分離信號(hào)下的嵌入維數(shù)和延遲時(shí)間Tab.1Embedding dimension and delay time under eachseparation signals

圖5 Fast ICA和改進(jìn)LSSVM模型的風(fēng)速預(yù)測(cè)和預(yù)測(cè)誤差Fig.5Wind speed prediction and forecast errors of fast ICA and improved LSSVM model

圖6 EMD分解結(jié)果Fig.6Results of EMD decomposition

選擇合理的誤差指標(biāo)，對(duì)評(píng)定預(yù)測(cè)效果的好壞有著重要的作用。本文對(duì)預(yù)測(cè)效果進(jìn)行檢驗(yàn)的公式為

圖7 EMD和改進(jìn)LSSVM模型的風(fēng)速預(yù)測(cè)和預(yù)測(cè)誤差Fig.7Wind speed prediction and forecast errors of EMD and improved LSSVM model

3種預(yù)測(cè)方法的均方根誤差和平均絕對(duì)誤差如表2所示。從表中可以看出，基于fast ICA和改進(jìn)LSSVM模型的預(yù)測(cè)均方根誤差為0.133 5 m/s，明顯小于基于EMD和改進(jìn)LSSVM模型以及基于fast ICA和LSSVM模型的預(yù)測(cè)方均根誤差。由圖6（b）、圖7（b）以及表2可以看出，基于fast ICA和改進(jìn)LSSVM預(yù)測(cè)的平均絕對(duì)誤差為0.351 7 m/s，明顯小于另外2種方法。因此基于fast ICA和改進(jìn)LSSVM的預(yù)測(cè)精度與穩(wěn)定性最好。

表2 3種方法預(yù)測(cè)結(jié)果對(duì)照Tab.2Comparison of forecasting results with three methods m/s

5 結(jié)論

為了保證風(fēng)速序列的預(yù)測(cè)精度，本文提出了一種基于fast ICA和改進(jìn)LSSVM的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)新方法，并以某風(fēng)電場(chǎng)實(shí)測(cè)小時(shí)風(fēng)速為例對(duì)所建預(yù)測(cè)模型進(jìn)行了驗(yàn)證。

（1）fast ICA從信號(hào)統(tǒng)計(jì)特性出發(fā)，從多維觀測(cè)信號(hào)中提取相互獨(dú)立的成分，從而簡(jiǎn)化了各個(gè)特征信息之間的干涉和耦合，能有針對(duì)性地建立更準(zhǔn)確的預(yù)測(cè)模型。

（2）改進(jìn)LSSVM模型具有更好的稀疏性，算例結(jié)果表明，改進(jìn)后的LSSVM的預(yù)測(cè)精度有了明顯的提高。

LSSVM核函數(shù)及其參數(shù)的選擇對(duì)預(yù)測(cè)效果也有一定的影響，因此如何更加合理地選擇核函數(shù)及其參數(shù)將是下一步研究的重點(diǎn)。

[1]袁鐵江，晁勤，李義巖，等（Yuan Tiejiang，Chao Qin，Li Yiyan，et al）．基于風(fēng)電極限穿透功率的經(jīng)濟(jì)調(diào)度優(yōu)化模型研究（Research on optimization model of economic dispatch based on wind power penetration limit）[J]．電力系統(tǒng)保護(hù)與控制（Power System Protection and Control），2011，39（1）：15-22.

[2]魏曉霞（Wei Xiaoxia）．我國風(fēng)電發(fā)展存在的問題和應(yīng)對(duì)措施（Problems and the solution of wind power development in China）[J]．電力技術(shù)經(jīng)濟(jì)（Electric Power Technologic Economics），2009，21（6）：23-26．

[3]Alexiadis M C，Dokopoulos P S，Sahsamanoglou H S，et al. Short-term forecasting of wind speed and related electrical power[J].Solar Energy，1998，63（1）：61-68.

[4]Bossanyi E A.Short-term wind prediction using Kalman filters[J].Wind Engineering，1985，9（1）：1-8.

[5]潘迪夫，劉輝，李燕飛（Pan Difu，Liu Hui，Li Yanfei）．基于時(shí)間序列分析和卡爾曼濾波算法的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)優(yōu)化模型（A wind speed forecasting optimization model for wind farms based on time series analysis and Kalman filter algorithm）[J]．電網(wǎng)技術(shù)（Power System Technology），2008，32（7）：82-86．

[6]楊秀媛，肖洋，陳樹勇（Yang Xiuyuan，Xiao Yang，Chen Shuyong）．風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)研究（Wind speed and generated power forecasting in wind farm）[J]．中國電機(jī)工程學(xué)報(bào)（Proceedings of the CSEE），2005，25（11）：1-5．

[7]孫春順，王耀南，李欣然（Sun Chunshun，Wang Yaonan，Li Xinran）．小時(shí)風(fēng)速的向量自回歸模型及應(yīng)用（A vector autoregression model of hourly wind speed and its applications in hourly wind speed forecasting）[J]．中國電機(jī)工程學(xué)報(bào)（Proceedings of the CSEE），2008，28（14）：112-117．

[8]潘迪夫，劉輝，李燕飛（Pan Difu，Liu Hui，Li Yanfei）．風(fēng)電場(chǎng)風(fēng)速短期多步預(yù)測(cè)改進(jìn)算法（Optimization algorithm of short-term multi-step wind speed forecast）[J]．中國電機(jī)工程學(xué)報(bào)（Proceedings of the CSEE），2008，28（26）：87-91．

[9]Kavasseri R G，Seetharaman K.Day-ahead wind speed forecasting using f-ARIMA models[J].Renewable Energy，2009，34（5）：1388-1393.

[10]Monfared M，Rastegar H，Hossein M.A new strategy for wind speed forecasting using artificial intelligent methods[J].Renewable Energy，2009，34（3）：845-848．

[11]Cadenas E，Rivera W.Wind speed forecasting in three different regions of Mexico，using a hybrid ARIMA-ANN model[J].Renewable Energy，2010，35（12）：2732-2738.

[12]Salcedo-Sanz S，Ortiz-Garcia E G，Perez-Bellido A M，et al.Short term wind speed prediction based on evolutionary support vector regression algorithms[J].Expert Systems with Applications，2011，38（4）：4052-4057.

[13]Li Gong，Shi Jing，Zhou Junyi.Bayesian adaptive combination of short-term wind speed forecasts from neural network models[J].Renewable Energy，2011，36（1）：352-359. [14]Wu Hongxiao，Hou Zhijian，Liu Yong，et al.A short-term load forecasting approach based on immune clustering RBF neural network[J].Proceedings of the CSEE，2005，25（16）：53-56.

[15]彭春華，劉剛，孫慧娟（Peng Chunhua，Liu Gang，Sun Huijuan）．基于小波分解和微分進(jìn)化支持向量機(jī)的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)（Wind speed forecasting base on wavelet decomposition and differential evolution-support vector machine for wind farms）[J]．電力自動(dòng)化設(shè)備（Electric Power Automation Equipment），2012，32（1）：9-13．

[16]王曉蘭，王明偉（Wang Xiaolan，Wang Mingwei）.基于小波分解和最小二乘支持向量機(jī)的短期風(fēng)速預(yù)測(cè)（Shortterm wind speed forecasting based on wavelet decomposition and least square support vector machine）[J].電網(wǎng)技術(shù)（Power System Technology），2010，34（1）：179-184.

[17]劉興杰，米增強(qiáng)，楊奇遜，等（Liu Xingjie，Mi Zengqiang，Yang Qixun，et al）.基于經(jīng)驗(yàn)?zāi)Ｊ椒纸夂蜁r(shí)間序列分析的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)（Wind speed forecasting based on EMD and time-series analysis）[J].太陽能學(xué)報(bào)（Acta Energiae Solaris Sinica），2010，31（8）：1037-1041.

[18]Comon P.Independent component analysis，a new concept [J].Signal Processing，1994，36（3）：287-314.

[19]Hyvarinen A.Fast and robust fixed-point algorithm for independent component analysis[J].IEEE Trans on Neural Networks，1999，10（3）：626-634.

[20]Amari S，Cichocki A，Yang H H.A new learning algorithm for blind signal separation[C]//Conference on Advances in NeuralInformationProcessingSystems，Denver，USA：1995.

[21]史習(xí)智．盲信號(hào)處理—理論與實(shí)踐[M]．上海：上海交通大學(xué)出版社，2011.

[22]肖先勇，葛嘉，何德勝（Xiao Xianyong，Ge Jia，He Desheng）．基于支持向量機(jī)的中長(zhǎng)期電力負(fù)荷組合預(yù)測(cè)（Combination method of mid-long term load forecasting based on support vector machine）[J]．電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)（Proceedings of the CSU-EPSA），2008，20（1）：84-88．

[23]楊科，譚倫農(nóng)（Yang Ke，Tan Lunnong）．電力市場(chǎng)環(huán)境下中長(zhǎng)期負(fù)荷預(yù)測(cè)的應(yīng)用分析（Analysis of long-term load forecasting application in power market environment）[J]．電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)（Proceedings of the CSU-EPSA），2011，23（3）：54-57．

[24]李世平，周代剛，楊尚達(dá)，等（Li Shiping，Zhou Daigang，Yang Shangda，et al）．基于改進(jìn)LSSVM的動(dòng)態(tài)測(cè)量誤差實(shí)時(shí)預(yù)測(cè)方法（Dynamic measurement errors real time forecasting method based on improved least squares support vector machines）[J]．中國測(cè)試（China Measurement &Test），2009，35（3）：20-23．

Short-term Wind Speed Forecasting Based on Fast ICA Algorithm and Improved LSSVM Model

SUN Bin1，YAO Hai-tao1，LI Tian2，LIU Xiu1，LIU Bo1
（1.School of Energy Resources and Power Engineering，Northeast Dianli University，Jilin 132012，China；2.Yuanwubu，Air force Equipment Research Institute，Beijing 100085，China）

The accuracy forecasting of the wind speed can effectively reduce the adverse effect of the wind farm on the power grid，in the meanwhile，it can strengthen the competition ability of wind farm in electricity market.In this paper，a short-term wind speed forecasting method based on fast independent compenent analysis（ICA）algorithm and the improved least squares support vector machine（LSSVM）is proposed.The wind speed time series are decomposed in different scales by the fast ICA algorithm.The decomposed wind speed time series are predicted separately by the improved LSSVM model，and then the predicted results are accumulated to be the final prediction.The numerical results indicate that the proposed method can be utilized to forecast the wind speed accurately.

wind farm；wind speed forecasting；fast independent component analysis（ICA）algorithm；least squares support vector machine

TM614

A

1003-8930（2014）01-0022-06

孫斌（1972—），男，博士，教授，從事氣液兩相流動(dòng)、非線性信號(hào)處理等方面的研究。Email：sunbin@mail.nedu.edu.cn

2012-09-13；

2012-12-20

中國電機(jī)工程學(xué)會(huì)電力青年科技創(chuàng)新項(xiàng)目（201002）

姚海濤（1988—），男，碩士研究生，從事風(fēng)資源預(yù)測(cè)方面的研究。Email：yaohaitao2008@126.com

李田（1983—），男，本科，助理工程師，從事非信號(hào)處理方面的研究。Email：1457112474@qq.com