基于数学形态学的短期风能预测

1、基于数学形态学的短期风能预测 摘 要经济全球化一体化的推动，使得能源的问题较为突出，再生能源的发展备受各方关注。作为可再生能源的重要组成部分，风能已经成为全世界关注的热点。 风能是一种清洁可再生能源的非环境成本，风力发电机及其生命周期成本是稳定的，没有外部能源的依赖。目前，风力发电最重要的技术措施是风力发电，到目前为止最成熟的可再生能源技术，最建设规模和长期发展的形式之一。但是由于风能的不确定性和间歇性，风能也称作“不可调度”资源。随着风力发电并网在全网发电总量比例的不断上升，将对现有电网造成冲击，给电力系统安全、稳定、经济运行提出了新的困难和挑战。精确的风能预测，是解决风能不确定性

2、和间歇性所引发一系列问题的最经济、最可行的方案之一。关键词：可再生能源； 风力发电；精确风能预测；不确定性和间歇性 AbstractWith the development of global industry, energy and environment problem increasingly prominent, the development and application of renewable energy is more and more receives the attention of the countries all over the world. As an imp

3、ortant part of renewable energy, wind energy has become a hot topic of the world. Wind energy is a kind of environmental costs of clean and renewable energy, and the wind turbine cycle cost stable life, there is no external energy dependence. At present, the use of wind power is the main means of th

4、e wind, and so far the most mature renewable energy technologies, one of the most scale and prospects for development way of generating.But because of the uncertainty of the wind and intermittent wind energy is also called "scheduling" resources.With the percentage of the total wind power

5、grid in the entire network power increasing, the impact to the existing power grid, to power system security, stability, economic operation and new difficulties and challenges. Wind power prediction precision, wind power is to solve uncertainty and intermittent has triggered a series of problems of

6、one of the most economic and feasible scheme.Key Words: Renewable energy; Wind energy generation accurate wind forecasting uncertainty and intermittent II 目 录摘 要IAbstractIII第一章绪论11.1、课题研究背景及意义11.2、风能预测技术的研究现状11.2.1、国外研究现状11.2.2、国内研究现状21.3、本文研究内容及研究方式21.3.1、研究内容21.3.2、研究方式2第二章MATLAB概述32.1 MATLAB简介32.

7、2 MATLAB特点32.2.1 界面友好容易使用32.2.2 强大的图形处理功能32.2.3 应用广泛的专业领域工具箱42.2.4 实用的程序接口4第三章风能预测技术介绍43.1、引言43.2、灰值形态学153.2.1形态学简介153.2.2 灰值形态学定义63.2.3 扁平结构元素363.2.4 灰值形态运算373.2.4 一维数字信号的灰值形态学483.3、最小二乘支持向量机693.4、风能预测方法简介593.4.1、按预测时间跨度分类103.4.2、按预测对象分类103.4.3、按数学模型分类3113.5、风能预测技术简介113.5.1、持续法113.5.2、数值天气预报123.5.3

8、、时间序列法123.5.4、支持向量机法133.5.5、组合型预测法13第四章基于数学形态的短期风能预测144.1、相似数据提取3144.2、预测模型1,315第五章实验验证155.1、数据预处理155.2、形态学局部预测16第六章总结与展望176.1总结17第一章 绪论1.1、课题研究背景及意义现阶段随着产业化的应用发展，能源问题与环保问题异常突出。可再生能源的研发与利用越来越被世界各国越来越重视。可再生能源中，风能资源尤为丰富且容易利用，所以快速高效的实现风能到电能的转换成为急需解决的问题。自19世纪以来世界风能发电技术经历了一个缓慢的发展历程。自21世纪以来，世界各国对清洁能源发展研究投

9、入日益增加，风能发电已进入大规模发电阶段1。风电发电具有多重的优势，风电实现了并网运行后，其为现有电网体系的稳定、安全高效运行提出新的课题。实现有效的风能预测，是现阶段能够切实解决风能随机性带来的现实问题的有效方法，该方法的效率和经济性最为突出。精确和专业的风电功率预测不仅仅能够提升风电系统的运行稳定性，更为重要的是能够切实有效降低运行成本，使风电价值得到体现。1.2、风能预测技术的研究现状1.2.1、国外研究现状国外国家在风能预测方面研究入手早。20世纪70年代，欧美国家2在风能预测方向进行了巨额的研究工作。美国太平洋西北实验室、丹麦、德国、西班牙等国先后在风电预测领域的研究逐步走向成熟，现

10、在已经存在多套比较成熟的风电功率短期预测系统，并已在风电应用中投入运营。1.2.2、国内研究现状和欧美国家相比较而言，我国风能预测工作和研究起步晚，这一专业还有种种缺陷，我国对短期风能预测的研究工作还处于一个理论探索和摸索阶段当中，实际应用实践还较少，风能预测还有待进一步推动。1.3、本文研究内容及研究方式1.3.1、研究内容主要内容：在研究了现有风能技术的基础上，立足于数学形态和局部测量，通过建立LS-SVM风能预测模型，对短期风能预测进行了研究1。1.3.2、研究方式近年来风能预测的方法层出不穷，其中很大一部分的方法具有局限性，进而降低了预测精确度，甚至存在对风能数据研究不到位的情况，使得

11、隐藏的内存在物理量意义解释和解析出现问题。通过研究风电场输出工具的历史数据，建立风电场输出功率与历史数据的联系，建立风能预测模型，并以此预测模型来预测未来风电场的输出。风能预测模型的建立依赖于对历史数据特征的分析和处理，是基于数学形态学的短期风能预测的基础。本文所有研发工作基于数学软件MATLAB开发平台。第二章 MATLAB概述2.1 MATLAB简介MATLAB的又名Matrix Laboratory，它集成了数值分析、矩阵计算、数据可视化、建模和仿真等强大功能，并提供有大量的内置函数，它为科学研究、控制系统、信息处理、分析、仿真和设计工作提供了良好的应用平台，同时也为其它数字计算相关的科

12、学领域提供了一个良好的应用平台，现在已经成为众多科研工作者的首选。2.2 MATLAB特点2.2.1 界面友好容易使用MATLAB软件中有很多工具箱，并提供了完善的图形用户界面。MATLAB软件提供的M文件调试环境也非常简单，能够简单准确的提示错误原因。它为科学研究、控制系统、信息处理、分析、仿真和设计工作提供了良好的应用平台，同时也为其它数字计算相关的科学领域提供了一个良好的应用平台，对于移植性方面，matlab也提供了很多和其他组件模块的接口，能够方便的和其他模块进行关联应用。2.2.2 强大的图形处理功能MATLAB当中具有可视化功能，有利于实际应用，其能够绘制出多重的二维图形，同时还能

13、绘制出三维图形和多维图形。在图形处理上，MATLAB也拥有非常强大的优势，其提供了大量的画图的函数。2.2.3 应用广泛的专业领域工具箱MATLAB软件在相应的工具箱开发不同的功能领域的许多学科，如软件MATLAB版本的公寓和40以上的软件工具。用户可以直接应用对应的工具箱进行相关文件的解决。2.2.4 实用的程序接口MATLAB软件平台也兼具良好的拓展特性，通过Matlab平台集成的程序端，研究人员可以很容易地用matlab模块相关的组件之间的交互。利用MATLAB软件的编译器能够将M文件，具体转化成为享誉的文件和链接库，独立于MATLAB软件实现运行，同时该软件还能运行和调用由其他语言开发

14、的程序。第三章 风能预测技术介绍3.1、引言在过去，傅里叶变换（FT的傅里叶变换，）和小波变换（小波）和小波变换（变换）在电力系统中的信号处理，是最主要的研究手段3。积分产生变化的电力信号处理技术，被多层面应用到了电力系统波段提取以及系统故障引发的问题分析当中。但积分变化需要保证其具有充足的数据采样窗口，进而在积分周期内能够实现数据有效传导和变换，该技术存在一定的相位偏移和幅度衰减问题，同时变换数值计算也较为困难。因此，基于傅立叶变换和小波变换的积分变换，在电力系统信号处理中，有一个窗口长度和数值模式计算所承担，降低偏移和衰弱幅度，如采样技术。形态学滤波器（morphological filt

15、ers）4是一种非线性信号变换工具，其主要通过识别、处理信号形状或者波形来实现对信号的处理。数学形态学是基于集合论和积分几何，原本马瑟荣和Serra提出。与信号频域的处理不同，数学形态学并不需要将信号变换成为域空间，只要实现时域中的过程化处理即可。信号的形态处理则是一个非常好的解决相移和振幅衰弱的方式。数学形态学的理论来源于集合论，算法也较为简单，并不涉及到复杂运算，因此其对信号处理的速度更快。基于此，数学形态学在图像处理中有广泛的应用，如噪声抑制、特征提取、边缘检测、图像分割、形状识别等。3.2、灰值形态学13.2.1形态学简介1在法国巴黎矿业学院马特隆和他的博士生Serra提出数学形态学的

16、相关应用，并奠定了数学形态学的发展奠定良好基础。数字形态学最开始以二值图像为处理对象,所以也称二值数学形态学。二值数学形态学是在集合基础上的二值图像处理过程,算法简单,适于并行处理,且易于硬件实现,针对二值图象的图象分割处理、抽取骨架处理、边缘提取处理等具有明显优势。数学形态学通过四十多年的发展,其在理论和应用方面都取得了很好的效益，数学形态学的理论基础也愈来愈完美,在实际应用中数学形态学将会越来越普及。特别在图像处理方面，利用数学形态学来增强图像分割、边缘检测的操作、操作、运行模式分析和图像压缩处理，被广泛应用于图像处理的各个领域。3.2.2 灰值形态学定义数学形态学包括二值数学形态学和灰值

17、数学形态学两部分组成。其中灰值形态学是二值数学形态学在灰值图象上利用的增添二值形态的交点，并将最大值和最小值的运算量来代替灰度值的形态，这是广泛应用于灰度值的图像。3.2.3 扁平结构元素3数学形态学以集合论作为理论的基础保障，其逐渐形成了一套完备的基于集合运算的概念和他体系方法，同时引入了一个形态学算子，进而能够对不同集合进行相应的合并或交叉、移动运算。其中的第一集合为目的图形或者信号数据，第二则为构造元素，元素具有一个基本原点，其定义出结构元素存在的位置。一般而言，结构元素原点都位于几何的中心。结构元素作为一个探头，根据数学形态学算子所划定的方式，对预期的图像进行有效的分析和处理、辨析，同

18、时提取目标图像或者信号的实际特征。数学形态本质上就是讲目标 图像与结构元素进行有效的作用与对接。进而对图像特定信息进行必要识别和后期提取。利用给定的形态学算子进行基本处理时，最终输出结果如何，决定因素是结构元素。理论层面来看，结构元素可以是任意的形状。而具体的结构元素形状中有圆形、多边形或曲线形等不同形状，为了能够提取到目标图像的基本信息，因此必须选择适合的结构元素。甚至需要构造一个全新的结构运输，获取相应的层级信息，据此可见，展开结构元素运算的分析探讨有一定价值。扁平结构元素在灰值形态学属于常见和有特点的一类结构元素。扁平结构元素是指在定义域上取值为常数。因为腐蚀和膨胀都有平移性，因此展开相

19、关研究中，应将定义域假设为零，而如果不视其为零，则可视为与纵向平移结构元素组合的一个具体算子。而运算结束后，则再向相反的方向执行的纵向平移结构元素。为了提升研究的精确性和专业性，在后续测试当中，所有扁平结构元素的形态运输，结构元素在定义域当中都为零。3.2.4 灰值形态运算3（1）灰值腐蚀用双值形态学和代数法则，我们可以用这个概念来填充灰度值计算的直接定义；结构元素对信号的腐蚀定义为：；为了得到基于结构元素的数字信号的腐蚀，我们在空间滑动的结构元素，让信号对应的点和结构元素是重合的，然后从小到大方向的结构元素的翻译。可以通过以下来实现的最大值的腐蚀结果的结构元素小于或等于原来的信号点。此外，我

20、们要求在域的原始信号被定义在域的原始信号，因此，结构元素的数据必须是在较低的信号，否则，在这一点上是没有意义的。用于计算从底部到顶部的平移结构元件的最大值的值的一种方法是计算灰色值的腐蚀的方法。此外，通过计算元素值和在翻译结构元素中的信号值之间的最小差值来计算灰度值的值。这是由于,这个向上平移结构元素的最大值等于最小值。所以灰值腐蚀定义的另一种表达形式：。（2）灰值膨胀信号f被结构元素g灰值膨胀定义为：；和二值情况类似,灰值膨胀也可通过灰值腐蚀的对偶运算来定义。和灰值腐蚀运算类似，这里我们利用结构元素的反射值,在结构元素定义域内,自下而上平移结构元素，取其大于等于信号的最小值来定义灰值膨胀运算

21、。灰度膨胀操作可以消除上述信号的锐利角，对单边滤波效果。因此，灰度值扩张也可以被定义为：。(3) 灰值开运算和闭运算腐蚀和膨胀互为不可逆运算,先腐蚀后膨胀通常不能使信号完全复原,而是形成一个新的状态,这个过程称之为开运算。反之，闭运算是与开运算相反的运算操作,即先膨胀后腐蚀。与二值数学形态学中的表达式类似，灰值数学形态学中关于开启（开运算）和闭合（闭运算）的表达式分别如下所示。用b开启f记为f。b,其定义为:;用b闭合f记为f.b,其定义为：；开、闭运算可以抑制边界上的毛刺、弥合裂缝的功能，即“削峰填谷”，使信号趋于平滑。此外，开、闭运算的“削峰填谷”作用，与其结构元素的长度息息相关。3.2.

22、4 一维数字信号的灰值形态学4因为在计算机处理过程中，都将抽象为离散的整数序列，所以这里将一维数字信号定义在整数集上，并设定最大最小值，即所处理的数字信号均为在某一范围内的整数灰值,3.3、最小二乘支持向量机6支持向量机 (SVM) 是通过将样本空间映射到一个高纬度空间或者无穷维空间中，然后在空间当中，形成一个分类超平面作为决策曲线，进而能够确保超平面的两侧间隔边缘最大化，有利于低维样本空间无法处理的样本集。在高维空间当中景观对线性超平面进行必要的规划后，可以得到对应空间当中的高度非线性分类和回归的实际内容。最小二乘支持向量机 (LS-SVM)则是在固有基础上的一次创新改进，将传统 SVM 中

23、二次规划不等式约束明确改为等式约束，进而能够提升运算速度和效率、精度。总体来看，S-SVM模型具有诸多优点，如训练效率高、学习能力强等,在时间序列快速预测领域，其具有良好的应用前景。 本文主要是基于LS-SVM的时间序列，以及历史风历史数据的相似性，为风电的短期预测，并比较相应的验证。3.4、风能预测方法简介5 风能预测是指综合分析风电场发电功率的历史数据中的天气、风速等影响气象因素，建立各类模型，有效预测后期风电机组或者风电场发电功率数值，风能预测的实际目的就是通过有效数据进而对后期发电功率进行推算。推算精度从秒级到数天可能的发电功率。 由于风能的随机性与突发性，风电实现了大规模并网后，将给

24、固有电网造成一定影响，只有精确的风能预测，才能让风能发电变得经济可行。因此，越来越多的科研工作者加入到风电预测技术的研发应用中。3.4.1、按预测时间跨度分类 结合电力系统运行的实际所在，预测时间有精度要求，进而要对预测按照时间进行划分：时间精度在秒级至 30 分钟超短期预测，时间精度在30 分钟至 6 小时短期预测，时间精度在6 至 24 小时中期预测，时间精度在1 至 7 天，甚至更长长期预测。其中，风电机组控制中一般采用超短期预测方式，因为需要尽可能的提高能量转换的效率；经济调度等操作一般通过应用短期预测；风电机组的投切预测和电力市场的交易预测一般通过中期预测方式实现。转备容量的预备、制

25、定风电机组的维修计划、风电场的选址等涉及到长期规划的一般通过长期预测方式实现。当然，预测精度也并不一定非要按照预期的标准进行划分，技术人员也可以根据实际情况选择相应的模型。3.4.2、按预测对象分类风能预测主要包括了两类预测分类，其一是直接预测、其二是间接预测。直接预测法主要是利用已知的参数实现模型构建，进而能够预测出相应的风力发电机功率情况。而间接预测则通过对风速的预测，通过风速与风能的转化实现对相应风速的确定。风速至风能的转换公式为：，在这一式子当中，表示空起密度，A是风机扫叶面积，v是风速。而间接预测就是依据风机功率曲线而实现的假设。总体研究表明，由于风能曲线有一定的随机性和随意性，与直

26、接预测法进行比较后可见，间接预测法的结果有很大的随机误差问题，同等的预测条件下，间接预测法的预测精度低于直接预测法。直接预测法有其适合的一个领域，风电运营商可以将该法应用到生产计划制定和竞价计算中。一般采用直接预测法来计算相关数据；在理论研究方面，如未来风能储量的预测、风能历史缺失数据的填充等一般采用间接预测法处理。3.4.3、按数学模型分类3按照数学模型的不同，风电能预测的数学模型可分为物理模型、统计模型、风电功率等等。一是物理模型。这一模型主要是指基于实际风速、环境等相关物理因素关系，建立一个有效的数字模型进行风力预测，测算风速。数值天气预报模型就是典型的物流型预测模型。有序对电场输出的功

27、率预测。二是统计模型。该模型根据过往的实际数据进行建模，相应成本较低，同时建模效率更高。在统计模型当中又分为了时间序列法、空间关联法等不同方法，其各有优缺点。3.5、风能预测技术简介3.5.1、持续法持续法是最为简单的一个预测方法，该法首先会假设风能在一个阶段内不会发生非常明显或者直观的变化，变化较为缓慢。这种观点下，连续的方法下一个时刻风能预测指标基本就能等于当前时间的预测值。由于风能和实际的气候情况紧密连接在一起，同时气象情况往往在短时间之内不会有太大的变化，进而也就容易进行必要测算。虽然持续法相对较为简单，但是在超短时间之内进行预测，其精度并不低，往往精度高于其他测试方式。但如果预测时间

28、跨度过大，则其预测精度下降，预测波动突出。 3.5.2、数值天气预报数值天气预报是风电预报的基本数据来源，其是预报系统的重要组成部分，数值天气预报所能够收集到的相关数据，如气温或者气压、风向等内容，建立形成了一个复杂和多元化的数学模型体系。再继续通过对该模型的计算分析预测后期风速等天气状况。在综合考虑到实际地貌和地形后，可以利用风电功率曲线推导出相应的发电功率。由于其应用的因素内容较为丰富，因此预测精度较高，而相应这一应用则需要大量数据进行建模，其成本较高，数据更新速度慢。由于计算量较大，数值天气预报模型需要超级计算机作为平台，总体上这种方法准确性高，但成本也高，进而限制了在中期短期预测中的应

29、用。3.5.3、时间序列法 数值天气预报是物理模型系统的数据来源之一，同时也是系统组成部分。通过该模型导出相应的预测模型，进而能够实现对结果的有效预测。 主要应用于时间序列法的模型包括自回归模型（AR）、滑动平均模型（MA）、自回归滑动平均模型（ARMA）、差分滑动平均模型（ARIMA）等。本节以 ARMA 模型为例，介绍时间序列法的基本原理。ARMA(p,q) 模型的一般数学表达式如下：，式中，Xt表示在 t 时刻的预测值，i，i分别表示自回归参数和移动平均参数，随机变量 t是白噪声，而 c 是一个常数。ARMA 模型包含了两部分：自回归项 (AR) 和滑动平均项 (MA)。其中，自回归项描

30、述系统过去自身的状态，而滑动平均项则描述过去某段时间系统的噪声。特别的，当 p = 0 时，ARMA 即为滑动平均模型 MA(q)；同样，当q = 0，ARMA自回归模型AR（P）。为了实现对非平稳时间序列的处理，在 ARMA 的基础上提出了 ARIMA。ARIMA 预先实现了非平稳时间序列经过数次分析后得到平稳序列，进而能够对相关模型实现优化构建。 时间序列法对历史的数据要求相对不高，进而能够保证短期预测的实效性。但作为线性模型而言，其预测的实际精度依赖于参数情况，由于风能具有不确定性，这一模型应用就受到限制。3.5.4、支持向量机法支持向量机 ( SVM) 则主要讲样本空间数据映射到更高的

31、维度当中，体现出无穷维特征。而后在这个空间当中能够形成一个分类超平面作为后期的决策曲线，这一平米的两侧间隔要实现边缘的最大化。进而确保低维样本空间没有办法得到及时有效处理的样本集，在高维的空间当中实现有效回归。进而在特征空间中可以应用线性学习机的方法解决样本空间中的高度非线性分类和回归等问题。 最小二乘支持向量机 (LS-SVM) 是对 SVM 的一种改进，在传统支持向量机（SVM）基础上，将不等式约束改成等式约束，并将误差的平方和损失函数作为训练集的经验损失，这样就把二次规划问题的求解转化为线性方程组的求解上来，从而提高求解问题的速度和收敛精度。3.5.5、组合型预测法组合型预测法的基本理念

32、是将两种甚至多种不同的风能预测方法相结合，同时尽可能地保留每个独立方法的优势。组合型预测法的提出，其实际的价值体现在有效提升预测精度的方面，继而保障预测发挥作用。然而，如果将各类方式方法综合起来应用，则难以保障预测的结果，总体上单一预测方法不一定差于综合预测方法。但对预测方法的综合运用，其预测的误差风险更低。 组合型预测法包括物理型预测模型与统计型预测模型的结合，也包括多种统计型模型之间的结合，例如数值天气预报与神经网络、神经网络与模糊逻辑（ANFIS）、小波变换与人工神经网络、经验模式分解 EMD 与人工神经网络等。第四章 基于数学形态的短期风能预测 针对数据集用于训练模型预测精度的影响，本

33、文尝试对训练模型进行预处理，建立数学形态学模型，找出与风能历史数据具有类似趋势的数据。然后本文利用数学形态学对波形处理方面的优势，从波形的角度选取满足特定要求的数据集合进行有针对性的建模、预测，以进一步降低预测的误差。该方法提出了在历史数据中选出相似数据进行预测建模，以提高精度。所谓相似数据，是与预报数据片段具有相同变化趋势的一系列曲线段的集合。利用数学形态学的非线性滤波特性，获取风能的变化趋势，将变化趋势相同或相近的数据片段，用于训练、建立 LS-SVM 模型，再利用该模型进行多步预测。本章起首介绍了数学形态学的基本知识，详细论述了数学形态学经常使用算子的原理及其应用。针对数学形态学运算中的

34、端点效应，本文提出了用正弦曲线对一维信号进行延拓的解决方案。为了对风能历史数据进行挑选出，在数学形态学的基础上，本文建议了一种选择相似数据的新方法，并联合 LS-SVM 模型，进行短期时间风能预测。最后，利用风电场风电功率输出的实际数据进行建模仿真，以验证该方法的精度和有效性。4.1、相似数据提取3 本节提出了一种利用数学形态学方法提取相似数据的方法。所谓相似数据 (similarsegments)，是与预报数据片段 (forecast segment) 具有相同的长度，且变化趋势高度近似的一系列曲线段的集合。而预报数据片段，则是从过去某一时刻起，到当前时刻止的一段数据。考虑到结构元素对形态学

35、算子的重要影响，根据预报数据片段的波动特性，相应地设计一个三角形结构元素；在保留风能波动特性的前提下，将风能曲线中的高频（噪音）分量滤除，提取出风能的趋势线。预报数据片段的趋势特征量和历史数据的趋势特征量的差小于预先规定的阈值时，即认定该段数据为相似数据，如下图所示：4.2、预测模型1,3 基于数学形态学的短期风电功率预测方法主要包括三个步骤：获得相似的数据，训练建模和预测。假设通过章节3.3提出的方法，获得预测数据片段 x 的一组相似数据，记为 sj(i), i = 1, . . . , L, j = 1, . . . , Ns，其中，Ns为相似数据的总数。它们作为训练 LS-SVM 模型的

36、输入，预测数据片段作为训练模型的输出，即：当 LS-SVM 模型建立之后，用作为其输入，通过已建立的 LS-SVM 模型获得相应的预测值 ，其中，P 为超前预测的步数。第五章 实验验证5.1、数据预处理 本文在对4.1种历史数据提取方法的基础上，对风电时间序列本身的数据特性进行了深入的分析和研究。首先选取从过去某一时刻起，到当前时刻止的一段数据作为预报数据片段，在通过找与预报数据片段具有相同的长度，且变化趋势高度近似的一系列曲线段的集合作为测试数据集。另外，考虑到结构元素对形态学算子的重要影响，根据预报数据片段的波动特性，相应地设计一个三角形结构元素；在保留风能波动特性的前提下，将风能曲线中的

37、高频（噪音）分量滤除，提取出风能的趋势线。预报数据片段的趋势特征量和历史数据的趋势特征量的差小于预先规定的阈值时，即认定该段数据为相似数据，如下图所示：下面借助 LS-SVM 模型对风能历史数据进行短期数据预测处理。 5.2、形态学局部预测本文主要通过采用形态学局部预测算子对数据进行预处理，将数据进行组合筛选，在借助 LS-SVM 模型，在对平均趋势分量进行预测。首先，构造局部预测算子，记为LS：；L(s) 的最后一个离散点即为形态学局部预测算子的输出，即随机分量的预测。因为形态学局部预测算子只能预测超前一步的数据，所以，如果要预测超前多步的数据，则需要通过递归的方式用形态学局部预测算子预测

38、P 次，每完成一次单步预测，则将替换为作为形态学局部预测算子的输入，知道获得所有的风能预测值，其中p=1,2,p。本文通过网络下载风能数据库数据位于爱尔兰EirGrid，2013年1月1日到12月31日的风能数据，并对其进行短期预测处理。经过测试，经过形态学局部预测算法的短期风能预测比以往预测误差更低，并且预测结果稳定性更高。第六章 总结与展望6.1总结经过这次设计确定了以风能为主的清洁能源，在实际中的利用价值，作为风能预测的一种方法数学模型只是其中的一种。在钻研了现有风能技术的基础上，立足于数学形式和局部测量，对短时间风能预测进行了研究。通过对风电场出力预测模型的研究，利用风电场输出的历史数

39、据，建立风电场输出与历史数据的关系，预测风电场的输出。通过研究风电场输出工具的历史数据，建立风电场输出功率与历史数据的联系，建立风能预测模型，并以此预测模型来预测未来风电场的输出。风能预测模型的建立依赖于对历史数据特征的分析和处理，是基于数学形态学的短期风能预测的基础。限于个人能力有限和研究时间的限制，本次研究还缺乏深度，研究的综合性不强，在后续工作和研究中我将倍加努力，进而不断取得研究层面的突破，实现创新。 致谢 毕业论文即将完成之际，也就标志着我本科学业即将完成，我的大学本科学习生活将划上一个完美的句号。在鹿山大学这四年生活的点点滴滴，从入学时对大学生活的无限向往到讲堂上对各位师长学术学问的深厚沉湎，从奔忙于教室图书馆的来去匆匆到业余生活的五彩缤纷，一切中的一切都是记忆犹新，让人倍感眷恋，倍感爱惜。四年广西科技大学鹿山学院大学的学习和生活使