徐蓓蓓 蒋铁铮 易 宏

（长沙理工大学电气与信息学院，长沙 410114）

风能作为一种无污染、可再生能源，已得到世界各国的高度重视[1]。目前，国内外对于风力发电各种课题的研究越来越深入，但其中关于风电场风速和功率预测的研究还达不到令人满意的程度[2]。准确预测风速可以减少电力系统运行成本，对于电网调度和资源配置有重要意义[3]。

目前，风速预测的方法主要有持续预测法、卡尔曼滤波法（Kalman filters）[3]、随机时间序列法（ARMA）[4]、人工神经网络法（ANN）[5]、模糊逻辑法（Fuzzy Logic）[6]、空间相关性法等（Spatial Correlation）[7]。人工神经网络法曾一度成为预测领域的研究热点，但也存在着许多至今无法解决的问题。支持向量机是一种基于结构风险最小化原理的预测模型，其泛化能力要好于神经网络和自回归模型，近些年来也被一些专家学者用于风速预测[8]。最小二乘支持向量机、遗传最小二乘支持向量机和经验模式分解结合最小二乘支持向量机三种方法是支持向量机模型的优化延伸。

1 建立模型的原理和方法

1.1 最小二乘支持向量机[9-10]

最小二乘支持向量机（LS_SVM）

用支持向量机（SVM）来估计回归函数的基本思想就是通过一个非线性映射,把输入空间的数据映射到一个高维特征空间中去,然后在此特征空间做线性回归。SVM 模型采用结构风险最小化准则,不仅使样本训练误差最小化,而且缩小了模型泛化误差的上界,从而提高了模型的泛化能力。通过将求解的机器学习问题转化为二次规划问题,SVM 可以得到惟一的全局最优解[4]。……