[發明專利]基于連續時間段聚類與支持向量機建模的風電功率預測方法

無效

• 申請號: 201110243715.6
• 申請日: 2011-08-24
• 公開（公告）號: CN102298707A
• 公開（公告）日: 2011-12-28
• 發明（設計）人: 楊蘋;楊曦;丁志勇;王憲彬
• 申請（專利權）人: 遼寧力迅風電控制系統有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 廣州市南鋒專利事務所有限公司 44228
• 代理人: 李永慶

技術領域

本發明涉及一種風電功率預測方法，具體是一種對風電場實際數據進行聚類分析與支持向量機建模的風電功率預測方法。

背景技術

風電作為一種間歇性能源，由于其隨機性和不可控性，輸出功率幅值變化大，頻率不穩定，對電網造成較大沖擊。隨著風電裝機容量的增加，風電并網所占比例也逐漸提高，因此對風電場輸出功率進行預測顯得十分重要。

風電功率預測方法主要包括物理方法^[和統計方法。物理方法不需要大量的歷史數據，但一般建模困難，需對風場所處地理位置的各種條件分析研究，適用于沒有歷史觀測數據的新建風場；統計方法需要大量的歷史觀測數據和天氣預報數據去訓練模型，對數據的準確性和完整性要求較高，適用于歷史數據完備的風場。

統計方法是目前應用較多且比較成熟的預測方法，主要包括持續法、時間序列法、人工神經網絡、支持向量機等。持續法方法簡單，不用建模，但精度較差，主要作為各種方法的比較基準；時間序列法模型簡單，理論成熟，適用于提前量較短的預測，提前量增大時，精度效果不理想；人工神經網絡提前量適用范圍較廣，能夠自適應、自學習，以任意精度逼近任何非線性映射，適合描述風電功率預測模型的復雜非線性特點，但是人工神經網絡訓練時間長，對訓練樣本相似性要求較高，容易陷入局部最優；支持向量機（SVM）是近年用于風電功率預測的方法，與上述方法相比，SVM同時考慮經驗風險最小和置信范圍最小，使模型具有較強的推廣性，模型性能主要由核函數的幾個支持向量決定，在小樣本識別方面有較大優勢，且SVM有嚴格的數學理論基礎，其決策為全局最優。綜上所述，本文采用SVM方法訓練模型。

為了提高預測模型中訓練樣本的相似度和預測的準確性，加入基于日相似性的分類,現有的文獻(孟洋洋，盧繼平，孫華利，潘雪，高道春，廖勇．基于相似日和人工神經網絡的風電功率短期預測[J]．電網技術，2010，34(12)：163-167),根據預測日期的風速、風向、溫度、濕度等物理量的特性，從歷史日期中選擇與預測目標日期相似的m個日期輸入到已訓練好的模型，輸出預測目標日期的預測值；還有的文獻(林海濤，蔣傳文，任博強，欒士巖．基于模糊聚類的風速短期組合預測[J]．華東電力，2010，38(2)：295-299)把全年數據進行相似日模糊聚類，把n類相似日分別訓練模型，再加權組合作為最終的預測模型。這兩種方法只從橫向考慮了日的相似性規律，并沒有從縱向考慮日期連續性對功率預測的影響，由于大氣運動是一個長期連續漸變的過程，常用的上述統計預測方法卻沒有兼顧考慮風速的相似性和連續性變化規律，對建模數據缺乏有效的分類，故預測模型中訓練樣本的相似度和預測的準確性不太理想，不能滿足風電并網的要求。

另外，對全年的相似日進行聚類時，傳統所用的K-means算法，其類別總數C是確定的，通過不斷計算，調整C類中心的位置，以達到分類最優，但由于風的不確定性和隨機性，分類前是不能人為確定類別總數C的最優值，且不同風電場的C值未必相同，因而傳統的K-means算法具有一定局限性。

發明內容

為了克服上述之不足，本發明目的在于提供一種能夠提高預測模型中訓練樣本的相似度和風電功率預測的準確性的基于連續時間段聚類與支持向量機建模的風電功率預測方法。

為了實現上述目的，本發明采用的技術方案是：

基于連續時間段聚類與支持向量機建模的風電功率預測方法，包括以下步驟：①根據風特性進行全年相似日無監督聚類；②利用步驟①中的相似日聚類結果，再把全年分為n個連續時間段，依據每個時間段內各類日子所占有的頻次以及該連接時間段的風特性，對每個時間段進行聚類并劃分類別；③對步驟②中的類別相同的時間段用SVM建模，用于往后各年相同時間的預測。

所述步驟①包括以下具體的步驟：

1、根據風速在一天當中的變化趨勢、幅值、波動性，構造分類樣本，樣本構造形式如下：

?????????????????????????????????????????????????????

???式中，a_s1…a_sH為一天當中各個時間點的風速值；a_smax為日最大風速；a_smin為日最小風速；a_smean為日平均風速；a_sstd為日風速標準差；

???2、確定樣本構成后，需要分別對各物理量進行歸一化處理，以消除不同物理量之間由于量綱差異對聚類結果造成的影響，歸一化采用最大最小歸一化：