[發明專利]一種提高SVM風速預測精度的反歸一區間修正方法

有效

• 申請號: 201210144928.8
• 申請日: 2012-05-10
• 公開（公告）號: CN102664426A
• 公開（公告）日: 2012-09-12
• 發明（設計）人: 楊錫運;孫寶君;李利霞;李金霞;劉舒
• 申請（專利權）人: 華北電力大學
• 主分類號: H02J3/38
• 分類號: H02J3/38
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 朱琨

技術領域

本發明屬于風功率預測領域，特別涉及一種提高SVM風速預測精度的反歸一區間修正方法。

背景技術

風能是一個非常重要和巨大的資源，它安全、清潔、充裕而且無限，能提供源源不絕、穩定的能源供應，而風電產業是世界上發展得最快的能源行業，它為全球經濟開始向以可再生能源為基礎的轉型提供了最好的機會。隨著全球能源危機的出現，世界各國均對可再生能源產生了濃厚的興趣。風能是一種清潔的可再生能源，風力發電是風能利用的主要形式。隨著風電的迅速發展，裝機容量的持續增加，大規模風電接入電網，在提供清潔能源的同時，也會給電力系統的安全穩定運行帶來嚴峻挑戰。所以風速預測和發電量預報已成為風電行業研究熱點和技術必需。

對風速和發電量進行預測，目的是便于電網合理調度，保證供電質量，為風電場參與競價上網提供保證。如果能對風電場風速及發電機組發電量有較準確的短期和超短期預測，便可以根據風電出力變化規律增強系統的安全性、可靠性和可控性；根據風電場預測的出力曲線優化常規機組的出力，達到降低運行成本的目的，實現經濟調度；在電力市場中，風電場對風電功率進行預測，參與電力市場競價；電網公司對風電功率進行預測，保證系統安全經濟運行；便于安排機組維護和檢修，提高風電場容量系數。

SVM（support?vector?machine?支持向量機）是一種新型的機器學習方法，它通過非線性核函數，將輸入樣本空間映射到高維線性特征空間，具有處理非線性回歸問題的能力。克服了人工神經網絡訓練時間長、泛化能力差、易陷入局部極小等缺點，已被廣泛地應用于風速預測領域。但因SVM是基于歷史數據的方法，對歷史數據的依賴性較高，導致模型預測的精度不是很高。

SVM是建立在統計學習理論上的機器學習方法，具有很好地處理非線性回歸問題的能力。在SVM風速預測中，為了提高SVM模型的精度，通常要使用數據歸一化的方法，SVM模型預報出的風速為[0?1]的歸一化數據，通過使用反規一區間進行數據反歸一才得到預報的風速值。由于未來真實風速區間不可知，當用前一段時間風速的區間作為反規一區間進行預報風速的反歸一，或者直接用數值天氣預報（NWP）給出的未來風速區間作為反規一區間進行反歸一，在多次建模預測之后，發現由于上述兩種方法確定的反規一區間與未來預測時段的真實風速的實際區間差別較大，導致反歸一后SVM預測模型輸出的風速預測結果與真實風速存在較大的偏差，預測精度不高，達不到電網要求。

發明內容

本發明針對上述缺陷公開了一種提高SVM風速預測精度的反歸一區間修正方法。

一種提高SVM風速預測精度的反歸一區間修正方法包括以下步驟：

1）位于當前時刻之前的n個小時為前時間段，位于當前時刻之后的n個小時為后時間段，前時間段和后時間段構成了特定時間段；

在前時間段內，提取當前時刻的風速數據y，然后以當前時刻為起點，每隔m分鐘提取風速數據，將該風速數據和風速數據y輸入至SVM模型中，SVM模型的輸出數據就是后時間段反歸一之前的預測風速數據；n的取值范圍為2至24，m的取值范圍為1-15；

2）對步驟1）中前時間段提取的風速數據進行趨勢分析，得到該時間段內風速數據的趨勢線段，將該趨勢線段記為第一趨勢線段；

在后時間段內，以當前時刻為起點，每隔m分鐘提取數值天氣預報中的風速數據，對這些風速數據進行趨勢分析，得到后時間段內數值天氣預報中的風速數據的趨勢線段，將該趨勢線段記為第二趨勢線段；

對第一趨勢線段進行分類，將第一趨勢線段的終點對應的風速減去第一趨勢線段的起點對應的風速，得到風速變化差k；如果??????k>?k₀m/s，則第一趨勢線段為升趨勢線段；如果k<-?k₀m/s，則第一趨勢線段為降趨勢線段；如果-?k₀m/s≤k≤k₀m/s，則第一趨勢線段為平趨勢線段；k₀的取值范圍為0.25-4；

對第二趨勢線段進行分類，第二趨勢線段的分類方法與第一趨勢線段相同；