光伏发电功率预测方法与模型研究综述.docx

光伏发电功率预料方法与模型探讨综述摘要近年来，随着对可再生能源需求的日益提高，太阳能光伏发电技术得到了快速的发展，大规模光伏发电系统的应用也日益广泛起来，但也随之出现了很多问题。由于太阳辐射量:与季度、阴晴及昼夜等气象条件亲密相关，从而造成了光伏发电系统输出功率的随机性和间歇性的固有缺点，而且考虑到储能技术上的不成熟等因素，当大量的光伏发电系统接入电网时，势必会对电力系统的平安程定运行和电能质量等带来严峻挑战，从而限制光伏发电产业的发展，所以对光伏发电系统输出功率进行预料时丁电力系统运行而言具有特别重要的意义0本文通过对影响光伏发电功率因素进行分析对目前现有的光伏发电功率预料方法进行分类，并依据统计方法和物理方法为依据，对太阳辐照量预料进行预料和干脆对光伏发电系统的输出功率预料两种方法进行阐述和细化对比。再依据各自所运用的数学模型不同符项料方法分为时间序列法、神经网络法、支持向量机方法、回来分析方法和智能预料方法。最终对不同分类的预料方法及相应的数学模型进行分析倒述和对比，说明其适用范围及精确度，并对其可行性进行分析，提出在功率预科中须要解决的问题。关键词：光伏系统：功率预料：数学模型；方法AbstractInrcccn1.years,withthedemandforrenewab1.eenergyincreasing,so1.arphotovo1.taictechno1.ogyhasbeenrapiddeve1.opmentof1.arge-sca1.ephotovo1.taicpowergenerationsystemapp1.icationsareincreasing1.ywidespreadup.buta1.sowi1.1.bea1.o1.ofprob1.ems.Sincetheamountofso1.arradiationquarter.Teenageandotherweatherconditionsc1.ose1.yre1.atedtocircadian,resu1.tinginapoweroutputofphotovo1.taicpowergenerationsystemandintermittentrandomnessinherentshortcomings,andtakingintoaccountfactorssuchasenergystoragetechno1.ogyimmaturity,whena1.argenumberPVsystemCOnneCIedtothegrid,itmusthaveasafeandstab1.eoperationofpowersystemsandPoWCrqua1.ityposeseriouscha1.1.enges,thus1.imitingthedeve1.opmentofphotovo1.taicpowergenerationindustry,sotheoutputpowerofthephotovo1.taicpowergenerationsystemtopredictintermsofthepowersystemOperaIiOnhasaveryimportantsignificance.Basedontheimpactofphotovo1.taicpowerfactorana1.ysisoncurrent1.yavai1.ab1.ePVpowerpredictionmethodforc1.assification,andphysica1.methodsbasedonstatistica1.methodsandisbasedontheamountofso1.arradiationforecastsandprojectionsdirec1.ytotheoutputpowerofphotovo1.taicsystemsforecastdescribestwomcthcx1.sandrefinedcontrast.Andthenaccordingtotheirmathcnaiica1.mode1.susedtoforecastmethodisdividedintodif1.-erenttimeseries,works,supportvectormachine,regressionana1.ysisandinte1.1.igentpredictionmethod.Fina1.1.y,thepredictionofdiI1.erentC1.assit1.cationmethodsandthecorrespondingmathematica1.mode1.1.oana1.yzeandcomparee1.aborated,indicatingitsscopeandaccuracy,anditsfeasibi1.ityana1.ysis,forecastinginpowerneedtobereso1.ved.Keywords:PVsyste11n;PowerPrediction;Mathematica1.mode1.;Method摘要IAbstractI1.目录11前言31.1 课题探讨背景31.2 课逐探讨意义31.3光伏产业国内外发呈现状31. 4国内外对功率预料方法探讨的发皇现状及存在问题41.5本文涉及的预料方法概述62光伏发电系统特性概述82.1 光伏发电系统组成82. 2光伏电池的特性82.3 影响光伏发电系统输出功率的因素92.4 光伏电池组件的出力模型103功率预料基本方法及特点122.5 基于支持向量机回来的预料方法122.5.1 支持向量机方法及其特点122.5.2 支持向量机回来算法及特点132.6 基于径向神经网络的预料方法143. 2.1神经网络预料方法基础144. 2.2径向神经网络特点153.3小波分析方法163.3.1小波相关理论基础163.3.2Ma1.1.at鸵法173.3.3逐日太阳辐照量时间序列的小波分解173. 4递推最小二乘法183.5相像日选取算法184主要功率预料模型及其简要分析204.1光伏发电预料模型的建立204.1.1 影响预料模型精度的因素分析204.2光伏发电基本预料模型214. 2.1三种基础的数学理论模型简介224. 2.2三种理论模型的优劣对比234. 3功率预料模型的结构组成24结论25参考文献261前言1.1 课题探讨背景光伏发电功率预料预料是能量管理中急需解决的问题。光伏发电与风力发电一样,均属于波动性和间歇性电源,同时.各用户或小区运用的光伏电池种类及其安装位置随机性也大，光伏发电系统受光照强度和环境温度等气候因素的影响.输出功率的变更具有不确定性.输出功率的扰动将有可能影响电网的稳定.因此,须耍加强光伏发电功率预料的探讨,预先获得光伏发电系统的日发电量曲线,从而协调电力系统制定发电安排,削减光伏发电的随机化问题对电力系统的影响.运用蓄电池来稳定光伏发电功率输出是种可行的方法,但须要追加成本,而I1.废旧蓄电池还会导致环境污染。因此.须要对光伏系统的发电功率进行精确预料,以便了解大规模的太阳能光伏并网系统的发电运行特性以及与电网调度、电力负荷等的协作问网.这样有助于整个电力系统的规划和运行,从而削减光伏发电随机性对电力系统的影响,提高系统的平安稳定性。因此对光伏系统进行功率预料是很有必耍的。1.2 课题探讨意义目前随着大规模的光伏发电系统应用日益广泛，也出现/越来越多的问题.由丁太阳辐射量同季度、昼夜及阴晴等气象条件有关，造成光伏发电系统输出功率间歇性和随机性的固有缺点，而J1.目前存在储能技术不成熟等因素，当大量的光伏发电系统接入电网时，势必会对电力系统的平安桎定运行和电能质量等带来严峻挑战，从而限制光伏发电的发展速度和规模，所以对光伏发电系统输出功率进行预料对于电力系统运行具有特别至要的意义。1.3 光伏产业国内外发呈现状太阳能作为一种新型可再牛能源.与传统能源相比具有可再生.无污染,来源广泛等优点是杵代化石能源的主要选择。太阳能光伏发电产业是20世纪80年头以后世界上增长股快的高新技术产业之一。1839年,法国的科学家Bccqurc1.就发觉,光照能够使半导体材料不I可部位之间产生电位差,这种现象被称为“光伏效应”。每秒到达地面的太阳光能量高达8()万千瓦,假设把到达地球表面0.1%的太阳能转为电能,转化率5%,每年的发电量就能达到561012千瓦时,相当于世界能耗量的40倍。正是由于这些优势,太阳能电池不断发展.种类日益增多、应用范围逐步增大、市场规模也不断地扩大作为太阳能的重要应用,光伏发电技术已经成为各国争相发展的新能源技术之一。2011年,美国提出“太阳能先导安排”意在降低太阳能光伏发电的成本,使其20154F达到商业化竞争的水平;日本也提出了在2020年达到28Gw的光伏发电总批;欧洲光伏协会提出了“3C1.fOr2020”规划，规划在202（）年让光伏发电做到商业化竞争，可见,在发展低碳经济的大背景下,各国政府对光伏发电的认可度渐渐提高。中国也不廿落后，据业内估计2011年我国新增光伏装机量有达到2.5GW,同比增长400%.十二五相关规划也将2015年的光伏装机目标从IOGw上调到I5GW,2020年将达到50GW。随着光伏技术的不断发展,光伏发电的成本也Ki之不断下降,再加上各国对光伏产业的支持力度,我们有理由信任大规模利用光伏发电为人类供应服务的前景将更加广袤。光伏系统发电的竞争力正在不断提高,己经成为r最受重视的新能源发电技术太阳能光伏发电系统工作原理是当有太阳光的时候.太阳能电池将光能转换为电能输出,多组太阳能组件构成的方阵输出电流并通过接线箱进行汇总,然后输入能源安排系统。输入电能一方面通过充放电雎元给蓄电池组进行充电,另一方面通过逆变系统在能源安排单元的限制作用下给负载供电，平衡安排通过太阳能转化的电能与电网电能.做到优先充分利用太阳能电力,同时能源安排单元保证当太阳能不足时,刚好切换至由电网供电.目前,光伏发电产品主要用于三大方面：是供应电源,主要为广袤无电地区居民生活生产供应电力,还包括些移动电源和备用电源;二是太阳能日用电子产品,如各类太阳能充电器.太阳能路灯等:三是并网发电,这在发达国家已经大面积推广实行,如谯国“10万屋顶安排”和美国“百万个太阳能屋顶安排、我国并网发电刚起步,2008年北京/绿色奥运部分用电就由太阳能发电和风力发电供应,还有2011年甘前最大光伏发电项目敦煌太阳能综合利用示范项目暨100兆瓦光伏并网发电项目在敦煌建成投产2）11年世界最大的屋顶电站项目一一兴业太阳能20兆瓦屋顶电站项目实现投产。1.4 国内外对预料方法探讨的发呈现状及存在问题目前，国外以欧洲、日本等国家的光伏发电系统输出功率预料技术探讨已有忖定的探讨进展，如丹麦、西班牙、意大利、日本等国已开展和研发利用气象预报信息对光伏电站输出功率进行预料的探讨和应用。丹麦ENFOR公司开发的So1.arfor系统是较具代表性的光伏发电输出功率预料系统，其将输出功率历史数据、短期的数值天气预报信息、地理信息、日期等要素进行结合，利用自适应的统计模型对光伏发电系统的短期（048h）输出功率进行预料。意大利Jije1.高校Ade1.MeHit等对的里雅斯特地区（意大利）的20KW并网光伏电站所在地气象数据和系统功率数据进行采集和分析，利用两种人工神经网络模型（太阳辎照量和气温作为网络输入）对系统输出功率进行预料，平均偏差仅为3.1%和5.4%"6',西班牙JoCn高校AImOnaCid等采纳神经网络方法，以实时测量的光伏阵列温度、太阳总辐照量为输入值，对应条件下实测电流-电压曲线为目标函数，利用反向传播算法1.-M优化方法，训练多层传感器（M1.P）模型，求解出养近实际工况的电流-电压曲线，建立了光伏发电量与太阳总轴照量、光伏电池板温度之间的函数关系，对Joen高校19.08kW的光伏电站输出功率进行预料，经校验，2003年发电量预报值与实测数据的历史相关系数高达0.998,71.印度SudiptaChakraborty等人采纳每小时的测地信息（太阳辐照量、温度、压力、湿度、日照时间等）作为输入，利用模糊自适应谐振网络预料每小时的日类型信息，然后由日类型信息计克光伏阵列的输出功率，取得较好的预料效果,德国O1.denbUrg高校1.orenz等人依据欧洲中尺度天气预报中心（ECMWF）供应的将来3天太阳总辎照预报数据，结合第国境内I1.个光伏电站观测资料来预报光伏发电量，在2007年4月和7月，光伏发电量预报的相对均方根误差分别为39%和22%',>.日本RyUkyUS高校A1.SUShiYona等人将前18小时温度、气压、相对湿度、风速等作为神经网络输入，分别利用前馈神经网络、径向基神经和递归神经网络对太阳辐照量进行预料,进而得出光伏发电系统输出功率，取得较好的预料效果，也具有较好的代表性UZ日本NTTFaeiIitieS公司Kudo等人依据历史气象资料和日本爱知县世博园区33OkW光伏系统发电员数据，进行多元回来分析，建立预报方程，预料将来一天05:0019:00的逐时发电量，并利用“预报+实测+接近订正”的方案，降低了天气预报误差对于输出功率预料精确性的影响。经校验，2005年3月25日至9月26日，日均发电量硕报误差为25.6%,时均预报误差为3O53%m.目前国内对光伏发电系统输出功率预料技术尚处F理论性研发阶段。湖北省气象局牵头的“太阳能光伏预报系统探讨”项目，依据光伏电站将来3天逐时辎照任和输出功率，并采纳了两种发电员:预报方法，是基于大气辐照传输、光电转换、直流/沟通变换（DoAC）和沟通并网等系列物理原理的原理预报法，二是基于数值天气预报<NWP）模式产品、光伏电站发电量数据结合的动力统计法。两种方法结合进行预料，目前该项目也处于研发实施阶段1.华中科技高校陈昌松等人结合这些光伏阵列历史输出功率数据和同期气您数据（日最高气温、日天气类型）分析，利用BP神经网络、径向基神经网络方法等，对困难的气象数据进行模糊识别，将天气状况依据天气类型晴天/云天/雨天划分，建立了基于逐日天气预报信息的光伏发电阵列输出功率预料模型。该方法对晴天类型发电量预料误差较好（7I5%-I3.62%）,但对一天内天气类型猛烈变更的状况时则无法满意逐时预报的要求W1.合肥工业高校丁明等提出基于马尔可夫链的干脆预料光伏电站出力的方法.该方法对教化部光伏系统工程探讨中心的并网光伏发电系统历史功率数据建立多个状态转移矩阵来干脆预料光伏电站出力，避开了对光伏系统逆变模型的具体建模及光照数据的采集和转换过程。取得较好的预料结果(晴天时：-80.76%9.92%),但在不同的日类型下该方法可行性还有待脸证网东北电力离校兰华等利用白I可来滑动平均模型(ARMA)对东北某光伏电站的输出功率进行预料探讨，具有.肯定的代表性和可行性，但在没有考虑气象因素的困琲多变性，模型的预料好用性也有待检脸。华北电力高校栗然等人建立光伏组件数学模型，依据保定地区气软资料，利用光伏发电系统仿真建模软件HomCr模拟仿其了30MW光伏电站输出功率数据，利用支持向量机回来分析方法，进行输出功率预料。但该方法无实际光伏电站的实况发电/资料，缺乏试验验证，对实际光伏电站输出功率预报的指导意义也有限。经过长期的学习和探讨.目前国内外已经提出很多用于光伏系统发电功率预料的算法常用的光伏发电功率预料的方法分两种:第种是不预料四周的环境因素而干脆进行预料,例如ANN模型、马尔可夫链模型、灰度模型和统计模型等：另一种是通过相关因素的状况,间接的预料输出功率,相关因素包括福照强度、温度、风速等。灰度预料模型适用于信息不完整、不确定的状况,其优点是可以用较少的数据对未知系统作出推断.运用灰度模型可以简化光伏发电功率预料过程,但预料精度不高I闭，所以一般不采纳。15本文涉及的预料方法概述光伏功率预料从预料方法上可以分为统计方法和物理方法两类“统计方法时历史数据进行统计分析,找出其内在规律并用于预料：物理方法则将气象预料数据作为输入值，采纳物理方程进行预料。而从时间尺度上可以把光伏发电功率预料分为超短期功率预料和短期功率预料。光伏发电系统输出功率预料方法依据预料的物理地可以分为两类：第一类为对太阳辐照量的预料，然后依据预料的太阳辐照量估算光伏发电系统的功率输出：其次类为干脆对光伏发电系统的输出功率进行预料。而依据所运用的数学模型不同可分为时间序列预料法、自回来滑动平均模型法、神经网络法和智能方法等。时间序列法：时间序列模型是最经典、最系统、最被广泛采纳的类预料法17-8'.随机时间序列方法只需雌一时间序列即可预料，实现比较简洁。回来分析方法：回来预料技术是通过回来分析，找寻预料对象与影响因素之间的相关关系，建立回来模型进行预料；依据给定的预料对级和影响因素数据，探讨预料对象和影响因素之间的关系，形成阿来方程：依据回来方程，给定各自变量数值，即可求出闪变室值即预料对象预料值。人工神经网络方法：运用神经网络技术进行电力负荷预料，是种新的探讨方法，由于它可以仿照人脑的智能化处理，对大量非结构、非精确性规律具有自适应功能，具有信息记忆、自主学习、学问推理和优化计算的特点，特殊是其自学习和自适应功能较好的解决了天气和温度等因素与负荷的对应关系。所以，人工神经网络得到r很多中外学者的赞誉，预料的人工神经网络的最具潜力的应用象域之一°支持向JS机方法:支持向量机(SUPpOrtVectorMachines.SVM)是由贝尔试验室的Vapnik等提出的一种机器学习算法，它与传统的神经网络学习方法不同实现了结构风险最小化原理(SRM),它同时最小化阅历风险与VC维的界，这就取得了较小的实际风险即对招来样本有较好的泛化性能。小波分析方法：小波分析在时域和领域都有乩好的局部化性质，能够比较简沽地捕获和分析微弱信号，聚焦到信号的随意细微环节部分。小波分析可以用于数据的分析、处理、存储和传递1匹四。组合预料方法：是对多种预料方法得到的预料结果，选取适当的权重进行加权平均的种预料方法。组合预料法与前面介绍的各种方法结合进行预料的方式不同，它是几种方法分别预料后，再对多种结果进行分析处理，组合料14有两类方法：种是指将几种预料方法所得的结果诳行比较,选取误差最小的模型进行预料：另外一种是拘几种结果按肯定的权重进行加权平均,该方法建立在最大信息利用的基础上优化组合了多种模型所包含的信息.其主要目的在于消退单一预料方法可能存在的较大偏差，提高预料的精确性.2光伏发电系统特性概述2.1光伏发电系统组成图2.2太阳能光伏发电系统示意图(1)光伏电池：光伏电池是光电转换的最小基本单元，尺寸一般为4平方厘米到1()0平方厘米不等。单体光伏电池的工作电压约为0.5V,工作电流约为20到25mAc11r,由F单体光伏电池容量有限，一般不能单独运用.将光伏电池独立的光伏发电系统由光伏电池阵列、限制器、蓄电池组、直流/沟通逆变器等部分组成，其系统组成如图2.2所示'I单体进行串并联封装后，就成为光伏电池组件，其功一般为几瓦至几十瓦，是可以单独电源运用的最小单元。光伏电池组件再经过串并联组合安装在支架上，就构成了光伏方阵，可以满意负载所要求的输出功率。(2)限制器：限制器是能自动防止蓄电池组过充电和过放电并具有简洁测好功能的电子设备。由于蓄电池组被过充电或过放电后将严峻影响其性能和寿命.充放电限制器在独立光伏发电系统中一般是必不行少的。(3)逆变器：逆变器是将直流电变换成沟通电的电子设备。由于光伏电池和蓄电池发出的是直流电，当负毂是沟通负我时，逆变器是不行缺少的。逆变器按运行方式，可分为独立运行逆变器和并网逆变器.独立运行逆变罂用于独立运行的光伏电池发电系统，为独立负载供电。(4)蓄电池组件：蓄电池组件作用是储存光伏电池方阵受光照时所发出的电能并可随时向负载供电。目前我国与光伏电池发电系统配套运用的制电池主要是铅酸蓄电池和镉银蓄电池。2.2 光伏电池的特性在无光的环境卜,光伏电池的输出伏安特性与二极管相像。依据光伏电池的输出特性和内部结构,光伏电池单元可以等效为如图2-2所示的电路:等效电路由一个二极管、一个电流源、一个阻抗较高的电阻处和一个阻抗较低的电阻用相串联组成。图中，/m为电池产生的电流，/为经过二极管的电流，I为电池的输出电流。在电路模型中，电潦源产生的屯流加与入射到电池上的光强强度成正比关系,受温度的影响比较少：串联电阻凡是为J'使模型更加精确的表征从电池最大功率点到开路电乐这个范闱内的伏安特性，并联电阻心为了使模型更加精确的表征从电池的最大功率点到零工作电压这个范用内的伏安特性。由堆体光伏电池等效电路可得出：Im-Id-Ish2-1其中IPh是光伏电池的光电流Jd是通过二极管的电潦,U是通过并联电阻的电流,I是光伏电池的输出电流.2.3 影响光伏发电系统输出功率的因素由于受很多气象因素影响,太阳能发电系统的输出功率是不稳定和难以限制的。影响太阳能光伏系统功率输出的因素很多,关系很困难,有些文献甚至列举r修正系数来使模型更好的反映这些因素事实上现场条件和运行状况变更无常,既无法事先确定各因素大小.也完全没有必要作如此细致的区分。因此,本文只考虑如卜.几个主要因素:太阳福照强度、组件温度和太阳能光伏电池的转换效率。I.太阳福照强度图2-2太阳能光伏电池等效电路发电功率随着太阳辐照强度的波动而变更,太阳福射强度是影响输出功率的主要因素，当太阳电池的面积确定时,其输出电流与太阳福照强度成正比.因此.当太阳福照强度增加时,光伏系统输出功率也会随之增加。而太阳福照强度是由很多不确定因素确定,如季节和地理位置等。此外,天气状况、太阳照耀角度、观测皿叽时间和云贵都会对太阳福照度造成很大影响.由受太阳辐射度的影响,光伏输出功率有很强的周期性,包括日周期和年周期。光伏发电系统通常在上午8:00和下午5:(X)之间产生输出,因此在并网时会对电网产生周期性的不稳定影晌。因为太阳福照强度具有随机性,使得确定光伏系统各方阵面上各个时段太阳福照量的准确值变得相当困难.只能参考气象台的历史资料记录,但是通常气象台站供应的是水平面上的太阳福照量,若要运用其进行预料,须要转换为帧斜方阵面上的福照量。太阳福照强度可定义为照耀到单位时间单位面枳上的太阳光能量(单位:wm5太阳福射经过大气,其中部分到达地面,称为干脆太阳福射阴一部分被大气分子及大气中的水汽、尘埃等反射、散射和汲取。被散射的太阳光包括返回宇宙空间的部分和到达地面的部分.到达地面的部分太阳光称为散射太阳福射。干脆太阳福射和敌射太阳福射之和称为总福射,为太阳能光伏发电系统所利用。影响太阳总辐射强度的因素可归纳总结如下：(1)太阳光入射角h:入射角越大太阳总福射越大；(2)大气透亮度P；大气透亮度低会削减到达地面的太阳福射：(3)大气质量m,m越大,到达地面的太阳总辐射越少。此外.海拔、炜度、云启和坡度坡向等也有干脆或间接的影啊：(4)好度:讳度越尚.太阳光入射角越小,故总福射越低;(5)海拔越高.地面接受的太阳干脆福射越强:(6)坡度坡向:南北回来线以南以北地区,明显表现出南坡向阳、北坡背阴,并且冬季比夏季更加显著：(7)云量:一般状况下,云层越摩,云量越大,太阳干脆福射越弱.散射福射量增加。光伏电池的温度视察公式,可以发觉温度对太阳能电池的转换效率也有肯定的影响,与转换效率成反比。高温会降低光伏电池的转换效率。温度上升1摄氏度晶体娃电池的输出电压就会大约降低05%,所以尽员保证安电池板在安装以后上下面的空气流通以达到尽可能低的温度。太阳能电池内部的温度一般会高于环境温度,实际运行中的太阳能电池的温度由多个参数确定,包括太阳福照强度、地面福射量、环境温度、风向、风速、浮生等,很难精确计算得出。为了简化预料过程,也可以假设电池内部的温度与外部环境温度相等。2.4 光伏电池组件的出力模型太阳能电池是太阳能光伏发电系统中最基本的元件,主要分为多晶娃、非晶硅、薄膜电池和单品娃等。目前,单晶电池及多晶电池的用量是最大的,而非晶电池主要用于部分较小系统，如计算器协助电源等。国产晶体娃电池效率在10¾T3%左右，国外同类产品效率约12%TM.设P时刻的温度是Tp,那么光伏电池的转换效率可以用公式表示：=o11-rtTp-Tr)2-2其中，r表示参考温度(298K),表示在参考温度下光伏电池的转换效率;r表示光伏电池的温度系数,但通常取0005.光伏系统输出功率和太阳福照度成正比，而每块电池组件的输出通常是由功率计量,因此t时刻的功率输出可进步表示为：P=1.*A*2-3其中:A表示光伏电池的面积,单位为平方米；表示光伏电池转换效率;I表示光伏板斜面上受到的太阳辖照强度，单位为千瓦每平方米。假如I时刻有n块光伏板工作,总功率输出则为nP“3功率预料基本方法及特点3.1 基于支持向量机回来的预料方法3.1.1 支持向量机方法及其特点支持向量机是班先进的机器学习理论之在各领域得到广泛应用。支持向量机将数据点由输入空间映射到更揭分类的特征空间，并n使分隔超平面之间的距离最远,而每个类别中各点的距离最近。映射由核函数隐式的确定，核函数用来计算特征空间内数据点之间的内积。正是由于运用了“核技术”，SVM避开了维数灾难，即特征空间的维度不影响SVM训练和测试的计兑困难度。然而,考虑到核函数是输入空间中的二维函数，训练和测试的计算困难度依靠于输入空间的维度。支持向量机是个统计学和计算机科学中的概念,为些能够进行分析数据和模式识别的监督式学习方法而提出.用于进行分类和回来分析。支持向量机在高维或无限维的空间构造一个或一组超平面,这些超平面可以用来进行分类、回来或其他工作。直观地讲,一个好的划分是通过使超平面与各分类最近的训练数据点之间距离最大来实现的，因此,通常距离越远,分类器产生的误差就越小然而,初始问题可能是一个有限的多维空间，在这个空间内，通常集合不是线性可分的。因此,提出了将初始有限多维空间映射到更高维空间的方法,假设在这个空间里划分变得更简洁。为了保持计算负荷的合理性,须要设计介适的映射方法，以此来保证从变量的角度看，能膨简洁的计算出原空间中点的内积,通过选择合适的核函数K(x,y)的方式可以解决这个问题高维空间中的超平面定义为一组点的集合,这些点的内积向量在这个空间内是恒定的。定义超平面的向量可以选择数据库中特征向量参数的线性组合。运用这样的一个超平除特征空间中映射到超平而上的点X被定义为如下式：Za,k(Xj,X)=constant>3-1留意:假如y离X越远.K(x.y)随之变小,则每个元素确定了测试点X与对应的数据基点Xj的接近程度。这样,上面的核函数的总和可以用来确定每个测试点与源下同一个或者另一个待分类集合的数据点的相对接近程度.支持向量机的推广性能(估计精度)确定丁变换参数和核函数参数的设21.事实上,支持向室机模型的困难性(包括推广性)依靠十三个参数的共同作用,这增加了选择最佳参数的困难性。选择特定的核函数类型和核函数参数通常要基于应用领域的学问.并且要反映训练数据输入值的分布状况。支持向量:机可以用于避开在高维特征空间运用线性函数的困难，而且最优化问题可以转换为对偶的凸二次规划问题,这也是支持向电机算法的一个优点。支持向量机(SVM)有如下几个特点：1 .SVM用内急核函数代替高维空间的非线性映射：非统性映射是SVM方法的理论基础,SVM利用内积核函数代替向高维空间的非线性映射：2 .对特征空间划分的最优超平而是SVM的目标,最大化分类边际的思想是SVM方法的核心：3 .支持向量是SVM的训练结果,在SVM分类决策中起确定作用的是支持向量：4 .SVM是一种有坚实理论基础的新奇的小样本学习方法。5 .它基本上不涉及概率测度及大数定律等，因此不同丁现有的统计方法。7.从本质上看,它避开了从归纳到演绎的传统过程，实现了高效的从训练样本到预报样本的“转导推理”，大大简化了通常的分类和回来等问题：6 .SVM的最终决策函数只由少数的支持向量所确定，计算的困难性取决于支持向量的数目，而不是样本空间的维数，这在某种意义上避开了“维数灾难”；7 .少数支持向量确定了最终结果,这不但可以帮助我们抓住关键样本、“剔除”大量冗余样本，而I1.注定了该方法不但算法简洁，而旦具有较好的“鲁棒”性。与此同时这种方法也存在有两个不足：1.SVM算法对大规模训练样本难以实施由于SVM是借助二次规划来求解支持向量，而求解二次规划将涉及m阶矩阵的计算(m为样本的个数)，当m数目很大时该矩阵的存储和计算将耗费大盘的机器内存和运算时间。针对以上问题的主要改进有有JPE1.的SMO算法、Uoachims的SVM.等的PCGC4张学工的CSVM以及等的SOR算法2.用SVM解决多分类问题存在困难经典的支持向量机算法只给出了二类分类的算法，而在数据挖掘的实际应用中，一般要解决多类的分类问题。可以通过多个二类支持向量机的组合来解决。主要有一对多组合模式、一对一组合模式和SVM决策树；再就是通过构造多个分类器的组合来解决,主要原理是克服SYY固有的缺点，结合其他算法的优势，解决多类问题的分类精度。如：与粗集理论结合，形成种优势互补的多类问题的组合分类器。3.1.2支持向量机回来算法及特点支持向量机不但可以应用于分类问题,还可以解决回来问题。VIadimirVapnik.HarrisDrucker.ChrisBurges.1.indaKaufman和1.exSmo1.a1.9964;提出了用于回来分析的SVM1叫做支持向量回来（supportvectorregressionsVR）,由上面描述的支持向量分类演化而来。因为到分隔边缘距离很远的训练样本点不会对用来建立模型的成本函数造成影响,所以支持向量分类模型仅依靠训练数据集的一个子集类似地，由于成本函数忽视了任何预料模型旁边的训练数据（运用阀值），支持向星回来模型也仅仅依兆训练数据集的个子集。支持向量分类和回来问题中个重要的观点:运用训练点的较小子集来解决问题可产生极大的计算量优势。运用显示密集损失函数，保证了全局最小值的存在，同时也确保了牢罪的泛化边界的最优化。支持向量机的推广性能（估计精度）确定于变换参数C£）和核函数参数的设理“事实上,支持向量机模型的困难性（包括推广性）依靠三个参数的共同作用，这增加了选择最佳参数的困难性。选择特定的核函数类型和核函数参数通常要基于应用领域的学问,并且要反映训练数据输入值（X）的分布状况。参数C确定模型困难度和最优化方程能够容忍误差大于£的程度之间的平衡。例如:假如C无穷大,那么目标变为仪仅将阅历风险最小化,不考虑优化方程中模型困难度的部分。参数C限制延迟区域的宽度,用于适应训练数据的值能够影响用来构造回来函数的支持向量的个数“&值越大,选择的支持向府越少.另一方面J值越大,得到的估计结果越平滑。因此,C和£的取值在不同的方面影响着模型的困难度。支持向量机可以用于避开在高维特征空间运用线性函数的困难，而11最优化问题可以转换为对偶的凸二次规划问题,这也是支持向量机.算法的一个优点。在回来问题中损失函数用于惩处超过P阙值的错误.这种惩处函数通常可以推导出决策规则的稀疏矩阵表示,并供应有效的算法。3.2 基于径向神经网络的预料方法3.2.1 神经网络预料方法基础下图表示出作为人工神经网络（work,以下简称NN）的基本单元的神经元模型，它有三个基本要素：(1)一组连接(对应于牛物神经元的突触)，连接强度由各连接上的权值表示，权值为正表示激活，为负表示抑制。(2) 一个求和单元，用丁求取各输入信号的加权和(线性组合)。(3)一个非线性激活函数，起非线性映射作用并将神经元输出幅度限制在一定范国内(般限制在(M)或(-1,DZfHjk除单元特性外，网络的拓扑结构也是NN的个重要特性。从连接方式看NN主要有两种。(D前馈型网络各神经元接受前一层的输入，并输出给下一层，没有反饿。结点分为两类，即输入单元和计算单元，每一计克单元可有随意个输入，但只有一个输出(它可耦合到随意多个其它结点作为其输入)。通常前馈网络可分为不同的层，第i层的输入只与第iT层输出相连，输入和输出结点与外界相连，而其它中间层则称为隐层。(2)反馈型网络全部结点都是计算单元，同时也可接受输入，并向外界输出。NN的工作过程主要分为两个阶段：第一个阶段是学习期,此时各计克里元状态不变，各连线上的权值可通过学习来修改：其次阶段是工作期，此时各连接权固定，计算单元状态变更，以达到某种稳定状态。从作用效果看，前馈网络主要是函数映射,可用于模式识别和函数靠近。反馈网络按对能量函数的微小点的利用来分类有两种：第一类是能增函数的全部微小点都起作用，这一类主要用作各种联想存储器：其次类只利用全局微小点，它主要用于求解最优化问题。多层前馈网络中，第一屋称为输入房，用以输入已知测量值。中间一U称为处理所或隐单元层，单元个数适当选取，对于它的选取方法，有些文献进行了探讨，但通过试脸来确定，或许是最好的途径。最上面层称为输出层，用以输出与每组输入数据相对应的分类信息。对于一个多层网络，如何求得一组恰当的权值，使网络具有特定的功能，在很长一段时间内，曾经是使探讨工作者感到困难的一个问题，直到1985年，美国加州高校的一个探讨小组提出了所谓向后传播算法(BaCk-ProPagaIion),使问题有f重大进展，这一算法也是促成人工神经网络探讨迅猛发展的一个缘由。3.2.2 径向神经网络特点径向基(RBF)神经网络是一种局部靠近的神经网络.径向基神经网络具有三层结构，第层由数个感知单元组成，将网络和外界环境连接起来。其次层是隐含层，其执行的是种用于特征提取的非线性变换，然后作用函数对输入信号在局部产生响应：第三层为网络的输出层，而且网络的输出是线性的，基本结构如图5.2所示，与传统的BP神经网络相比，RB1；神经网络隐层节点的数目可以依据须要确定，不用特地去选取，也克服了BP神经网络收敛速度慢和局部最小等缺点，所以更适用于实时监控的场合。图52径向基函数网络模里结构图径向基神经网络具有很强的鲁棒性和记忆实力，而且具有较强的非线性映射实力和自学习实力，因此有很大的应用市场.其主婴优点有以下几点：（1）它具有唯最佳拈近的特性£1无局部微小问题存在。（2）具有较强的输入和输出映射功能，而且理论上可以证明，径向基神经网络是完成映射功能的最优网络。（3）网络的输出与连接间的权值与呈线性关系。（4）分类实力好。（5）网络在学习过程中，收敛速度较快.3.3 小波分析方法3.3.1 小波相关理论基础小波变换、的基本思想是以-族函数去表示和靠近一个信号或函数，即将时间信号绽开为这一簇函数的线性迭加。这一簇函数称为小波函数族（系），它是通过一个基本小波函数的不同尺度的平移和伸缩构成的。基本小波函数是一种特续时间很短的波，但并不是随意持续时间很短的波都是小波“小波具有良好的时域局部化的性质，正是由于基本小波的这个特性，使得小波变换适用于对非平稳信号的时频分析。小波变换在时领域卜的局部化特性反应出小波变换的尺度参数a和位移参数b共同的变更，不仅变更了连续小波函数的频谱结