針對許多領域中普遍存在的非平穩多元時間序列的建模處理問題,提出了LASSO向量自回歸模型的遞推在線擬合方法,利用遺忘指數來實現模型的動態變化,并用循環坐標下降算法在線的對向量自回歸模型進行系數估計。為證明模型的有效性,將其應用于風電場風電功率的預測,并以傳統的向量自回歸模型和分層向量自回歸模型作為比較基準。根據實驗結果表明,在線自適應LASSO向量自回歸模型的預測精度高于傳統的批量模型,通過系數矩陣圖也可以看出,預測風電場臨近的風電場對預測點存在一定程度的影響,但自身影響是最大的。將遞歸在線估計與LASSO向量自回歸模型的結合應用于風電功率的預測,對于提高風電功率的預測精度以及改善風電系統工作效率有重要意義。其他模型分別是不同程度的虛線。從圖3知自適應LASSO-VAＲ模型的預測結果優于LASSO-VAＲ模型和HVAＲ模型。LASSO-VAＲ本文由公司網站滾圓機網站采集轉載中國知網資源整理!www.gunyuanji.name模型和HVAＲ模型的預測結果幾乎處于平穩狀態模型的風電功率預測-數控滾圓機滾弧機折彎機張家港電動滾圓機滾弧機折彎機，某個時間點后無任何變化，自適應LASSO-VAＲ模型與真實值非常接近，說明時間序列不是完全平穩的，自適應LASSO-VAＲ模型對于非平穩時間序列達到了比較理想的預測效果。以上結果說明自適應LASSO-VAＲ模型用在風電功率的預測中是可行的方案選擇，但預測結果較真實值仍存在誤差，下文將對影響預測性能的因素進一步研究。圖3澳大利亞數據集的1步向前預測結果Fig實驗二:根據實驗一的結果進行模型預測的準確性和持久性分析。由于風電功率自身的波動性和隨機性，預測誤差不可避免，誤差越低準確性就越高，對電力市場的實用性就越大。下面將對滯后數大小和訓練數據長度對預測精度的影響進行討論，同樣加入VAＲ模型、LASSO-VAＲ模型和HVAＲ模型作對比，采用ＲMSE和MAE來衡量預測的準確性和持久性。自適應LASSO-VAＲ模型在進行預測之前，分別在不同滯后數和不同數據長度下進行訓練，兩種條件:1)滯后數分別為1、2、3、4，數據長度為2016年1月的時間步長;2)數據長度分別為500、1000、4000、8000、12000，滯后數設為1。求解上述兩種條件下22個風電場自適應LASSO-VAＲ模型的預測結果，結果如表1、2所示。表1、2顯示了滯后數和訓練數據長度的具體定量分析。表1是在相同數據長度的條件下，不同滯后數預測結果以及與真實值的誤差。表中數據顯示? 模型的風電功率預測-數控滾圓機滾弧機折彎機張家港電動滾圓機滾弧機折彎機本文由公司網站滾圓機網站采集轉載中國知網資源整理!www.gunyuanji.name